75.txt

This complete matlab for neural network

发信人: GzLi (笑梨), 信区: DataMining
标  题: 使用SVMs的几个步骤
发信站: 南京大学小百合站 (Sat Apr 26 18:06:09 2003)

这样的合作或许也需要解决第一个设计问题，为给定的应用选择适当的核。
有几个标准选择比如高斯和多项式核这些缺省的选项，
但如果它们被证明是无效的或者输入是离散结构，那么就需要精心制作的核了。
通过隐式定义一个特征空间，核为机器检阅数据提供了一个描述语言。
通常设计者在输入空间面对相似的符号工作，这时领域专家能够给予无价协助来帮助他建
立恰当的形似度测度。

一般地说，核的选择实际上是一族具有几个超参数的核，比如高斯核中参数$\sigma$需要
确定。
或许可以启发式选择这些参数：在高斯的情况下$\sigma$的一个好的选择是不同类最近点
的距离；通常这个选择必须适用数据。
缺乏可靠的条件，应用依赖验证集的适用或者是交叉验证来设置这些参数。

SVM系统设计者面对的下一个决定是实现哪种SVM。
假定数据需要分类，一个决定是是否适用最大间隔，或者选择哪种软间隔方法。
这里关键的因素是数据的维数和噪声的类型及程度。

一旦核和优化条件决定，系统的关键部件都在位了。
使用其它学习系统的经验可能会让你觉得，下面会是一系列冗长的实验，参数不断变化直
到最好达到满意的性能。
本章报告的例子中，演示最直接的SVM的实现，不需要进一步的修正，就能超出其它技术
的能力。
使用SVM的经验建议SVM可以成功应用的领域远远超出现在已经开发的。

from Intro. to SVMs
--
              ***  端庄厚重 谦卑含容 事有归着 心存济物  ***
数据挖掘  http://[e-mail]/

※ 来源:．南京大学小百合站 bbs.nju.edu.cn．[FROM: 211.80.84.217]