机器学习 - 支持向量机

作者: 至此
发布时间: 2025-03-09 04:04:54 (3天前)
转自：

3 条回复

0#
回复此人
你瞎啊！撞我心了 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 您的SVM分类器经过培训，可以判断新（未知）实例是否是I. Setosa的实例。换句话说，您正在预测新的，未标记的实例是否是I.Setosa。 </p> <P> 您可能找到了错误分类的结果，因为您的训练数据具有更多正面情况而非负面情况。此外，通常会有一些错误边际。 </p> <P> 总结：您的SVM分类器学习了如何识别I.Setosa实例，但是，它提供的非I.Setosa实例的示例太少，这可能会让您产生偏见的模型。 </p> </DIV>

编辑
1#
回复此人
Coolkid | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 我认为问题是语义问题：你将4000个样本的集合称为“未知”和“否定” - 其中哪些适用是关键区别。 </p> <P> 如果4000个样本的标签确实是未知的，那么我将使用该标签进行1级SVM 6000个标记样本[c.f.验证如下]。然后通过测试N = 4000集来生成预测，以评估它们是否属于setosa类。 </p> <P> 相反，如果我们有6000个setosa和4000个（已知的）非setosa，我们可以构造一个二进制文件基于这些数据的分类器[c.f.下面的验证]，然后用它来预测setosa与非on 任何其他可用的非标签数据。 </p> <P> <EM> 验证： </EM> 通常作为模型构建过程的一部分，您将只采用标记的子集训练数据并使用它来配置模型。对于未使用的子集，您将模型应用于数据（忽略标签），并将模型预测的内容与真实标签的内容进行比较，以便评估错误率。这适用于1级和上面的2级情况。 </p> <P> 总结：如果您的所有数据都已标记，那么通常还会对其中的一部分数据（忽略已知标签）进行预测，作为模型验证过程的一部分。 </p> </DIV>

编辑

登录后才能参与评论