当Spark应用程序提交时，存储在Cassandra数据库中的数据将通过机器学习算法(支持向量机)加载和处理。当新的数据到达时，在Spark的流扩展过程中，它们被持久化在数据库中，对现有的数据集进行重新训练，并执行支持向量机算法。此进程的输出也存储在数据库中。Apache的MLLib提供了线性支持向量机的实现。如果我想要一个非线性支持向量
浏览 0提问于2014-06-24得票数 7
缺点是: 1)如果数据在扩展的特征空间中是线性可分的，那么线性支持向量机可以更好地最大化边缘，并可以导致更稀疏的解。2)当存在大数据集时，与扩展特征空间中的核化支持向量机相比，线性支持向量机训练和预测所需的时间更少。3)与线性支持向量机相比，核化支持向量<e
浏览 1提问于2018-03-16得票数 1
4回答
好吧，我见过的几乎所有使用HoG特性的应用都使用线性支持向量机作为分类器。有人能为我解释一下为什么选择线性支持向量机吗?为什么它们有很好的性能？选择线性支持向量机是因为它比使用多项式或高斯核的支持向量机更简单、更容易训练，而且使用这些核并不能提供显着更好的性能吗？
浏览 0提问于2014-06-29得票数 10
2回答
如何找到支持向量机的支持向量？
、、、、
我正在使用libl线性库在我的数据上训练线性支持向量机。我可以访问经过训练的模型的每一类的权重。但我需要找出哪些训练实例充当支持向量。
liblinear库似乎没有将这些向量作为模型属性提供。如果我有训练数据和定义超平面的权重，我该如何找到这些支持向量？
浏览 0提问于2020-04-02得票数 0
1回答
我对支持向量机的世界是个新手，我正在尝试通过教程自学。我最近试图创建一个样本svm测试，然而，run-time似乎是无穷无尽的。假设我的dataframe有7976行，典型的处理时间是多少？
浏览 28提问于2017-03-01得票数 0
2回答
线性支持向量机的预测复杂度是多少？它的分离面只是一个超平面，所以预测时间似乎不应该依赖于训练数据。同时，我了解到复杂度与支持向量的数量成正比。在训练好的分类器中保留所有这些支持向量有什么意义？
浏览 2提问于2013-04-11得票数 3
回答已采纳
1回答
HOG返回一个包含1xN个元素的特征向量。然而，线性支持向量机对于每个样本只接受两个特征，即训练数据矩阵的大小为Mx2。因此，我如何调整HOG向量，以便在线性支持向量机上进行训练。请帮帮我。谢谢
浏览 0提问于2016-04-21得票数 0
2回答
使用预先训练过的模型vgg16，我提取特征，然后将它们压平成一维特征向量。然后，将该向量作为线性核支持向量机分类器的输入。
如何测试我的图像数据集是否是线性可分的？在支持向量机分类器中应用不同的核函数，得到了线性核的最佳结果，是否意味着我的图像数据集是线性可分的？
浏览 5提问于2021-02-05得票数 0
回答已采纳
对于所有支持向量机版本，如c- SVM，v- svm，软边距svm等，支持向量可以不是训练样本吗？
浏览 1提问于2013-04-26得票数 2
回答已采纳
我自己才刚刚完成相关的讲座，我对SVMs的理解是，它是一种健壮而高效的分类学习算法，当使用内核时，它们有一个“小生境”，包括10到1000个特征，以及100到10000个训练样本。训练样本的限制是因为核心算法围绕着基于训练样本数的平方矩阵所产生的结果进行优化，而不是基于原始特征的数量。那么，我看到的评论是否提到了自课程制定以来的一些真正的变化，如果是的话，这是什么变化:一个新的算法涵盖了支持向量机的“甜蜜点”，更好的CPU意味着SVM的计算优势不那么值钱？维基百科有这样的内容：http:
浏览 0提问于2014-07-09得票数 71
回答已采纳
当我们在非线性可分数据上训练基本支持向量机(线性核和无软边界)时，会发生什么情况？优化问题是不可行的，那么最小化算法返回什么？
浏览 0提问于2015-01-24得票数 13
1回答
我正在尝试实现一种基于scikit-learn和支持向量机的增量学习算法。
但似乎每次我调用fit(x，y)函数时，都会构造一个新的模型，而不是添加到其中。有没有办法做到这一点？
浏览 0提问于2015-11-05得票数 0
我在我的数据集上训练了支持向量机和logistic回归分类器。两个分类器都提供了一个权重向量，该向量的大小是特征数的大小。我可以使用这个权重向量来选择10个最重要的特征，只要选择权重最高的10个特征。
我是否应该使用权重的绝对值，即选择绝对值最高的10个特征？第二，这只适用于线性核支持向量机，但不适用于我所读过的RBF核。对于非线性核，权值在某种程度上不再是线性的
浏览 3提问于2015-07-21得票数 2
回答已采纳
5回答
我目前正在研究svm，并且想知道svm与线性内核的应用是什么。在我看来，它一定是应用于解决一个线性优化问题。这是正确的吗？
我很感激你的回答！
浏览 9提问于2013-12-13得票数 20
回答已采纳
3回答
对于所有线性分类器和线性回归算法，预测算法都是完全相同的吗？众所周知，任何线性分类器都可以描述为：y = w1*x1 + w2*x2 + ... + c确定线性分类器参数的方法有两大类(生成和鉴别)：https://en.wikipedia.org/wiki线性判别分析(或Fisher线性判别)，朴素贝叶斯分类器问:线性分类器只在学习算法
浏览 0提问于2019-01-31得票数 5
回答已采纳
1回答
对于dataset，我有两种类型的特征向量。通过训练支持向量机，两种特征向量的预测准确率都达到了90%左右。
将这两类特征向量合并为一个较长的特征向量，然后<
浏览 2提问于2013-01-19得票数 1
1回答
OpenCV的SVM实现似乎不适用于线性内核。我确信代码中没有错误:当我将kernel_type更改为RBF或poly时，保持其他一切都正常工作。代码本身没有什么特别之处，我以前使用过OpenCV的SVM实现，但从未使用过线性内核。
浏览 1提问于2014-10-20得票数 3
1回答
我读过这篇关于神经网络的文章：
“虽然感知器规则在训练样本是线性可分的情况下找到了一个成功的权向量，但如果这些例子不是线性可分的，则它可能无法收敛。我的问题是，数据不是线性可分的，所以我是否应该应用人工神经网络呢？这是一条仅适用于线性可分数据的规则吗？因为我得到了很好的结果使用它(0.09%的MAPE错误)。我还应用了支持向量机回归(fitrsvm function in MATLAB)，因此我不得不问，支持<em
浏览 2提问于2016-04-27得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
