die Auswahl der c-und gamma-Wert
Hallo, ich bin der Durchführung SVM-Klassifikation mit SMO, in denen mein kernel ist der RBF, jetzt will ich wählen c und sigma Werten, die Verwendung der grid-search-und cross-Validierung, ich bin neu in kernel-Funktionen, bitte die Hilfe, in der Schritt für Schritt Prozess
Du musst angemeldet sein, um einen Kommentar abzugeben.
Lesen A Practical Guide to Support Vector Classication by Chih-Wei Hsu, Chih-Chung Chang und Chih-Jen. Diese Adresse genau dieses Problem und erklären Methoden für die Ausführung eines grid-search-für die parameter-Auswahl. http://www.csie.ntu.edu.tw/~cjlin/Papiere/Anleitung/Anleitung.pdf
Werde ich fügen Sie einfach ein wenig Erläuterung zu larsmans' Antwort.
Den C parameter eine Regularisierung/slack-parameter. Seine kleinere Werte Kraft die GEWICHTE zu klein. Je größer Sie wird, den Wertebereich der GEWICHTE wird breiter. Resultantly, größere C Werte erhöhen die Strafe für die falsche Klassifizierung und damit die Einteilung Fehlerrate auf den Trainingsdaten (die führen können, um over-fitting). Ihre Trainingszeit und die Anzahl der support-Vektoren zu erhöhen, da Sie erhöhen den Wert C.
Können Sie finden es auch nützlich zu Lesen Ausweitung der SVM auf einen Soft Margin Classifier von K. K. Kinn.
Können Sie auch verwenden, Einheitliches Design Modell Auswahl, die reduziert die Zahl von Tupeln, die Sie brauchen, um zu überprüfen.
Das Papier, das erklärt, es ist "Modell-Auswahl für support-Vektor-Maschinen über einheitliche design" von Chien-Ming Huang
Einige Umsetzung in python gibt es in ssvm 0.2