当前位置: 首页 > news >正文

svm 超参数

https://www.cnblogs.com/ChevisZhang/p/12932674.html
https://wenku.baidu.com/view/b8a2c73cfd4733687e21af45b307e87100f6f861.html?wkts=1718332423081&bdQuery=svm%E7%9A%84%E8%B6%85%E5%8F%82%E6%95%B0

用交叉验证找到最好的参数 C 和γ 。使用 RBF 核时,要考虑两个参数 C 和γ 。因为参数的选择并没有一定的先验知识,必须做某种类型的模型选择(参数搜索)。目的是确定好的(C,γ)使得分类器能正确的预测未知数据(即测试集数 据),有较高的分类精确率。值得注意的是得到高的训练正确率即是分类器预测类标签已知的训练数据的正确率)不能保证在测试集上具有高的预测精度。因此,通 常采用交叉验证方法提高预测精度。k 折交叉验证(k-fold cross validation)

C为惩罚系数,C越大,对误差越重视,容易overfitting,C越小,对误差惩罚小,容忍大,越偏向soft margin
gamma大,会比较小,会使高斯分布又瘦又长,会存在overffting

http://www.lryc.cn/news/376173.html

相关文章:

  • 001-基于Sklearn的机器学习入门:Sklearn库基本功能和标准数据集
  • 充电学习—7、BC1.2 PD协议
  • 技术点梳理0618
  • 石英砂酸洗提纯方法和工艺
  • linux安装dgl
  • 【SAP-ABAP】-权限批导-批量给某个角色导入事务码权限
  • 异常处理总结
  • 大模型日报2024-06-18
  • NumPy 双曲函数与集合操作详解
  • ABSD-系统架构师(十三)
  • PLC通过Profibus协议转Modbus协议网关接LED大屏通讯
  • 第二十三篇——香农第二定律(二):到底要不要扁平化管理?
  • stm32f103 HAL库 HC-SR04测距
  • vue中通过自定义指令实现一个可拖拽,缩放的弹窗
  • FreeRtos-09事件组的使用
  • 多路h265监控录放开发-(1)建立head窗口并实现鼠标拖动整个窗口
  • ICMR 2024在普吉岛闭幕,学者与泰国舞者共舞,燃爆全场
  • 大模型精调:实现高效迁移学习的艺术
  • epoll服务端和客户端示例代码
  • 最大乘积和-第13届蓝桥杯省赛Python真题精选
  • 探索C嘎嘎的奇妙世界:第四关---引用与内联函数
  • DLS平台:惠誉全球经济展望——今年调增至2.6%,明年调减!
  • 数据结构习题
  • 交通银行软件开发工程师校招面试经历
  • bashrc和profile区别
  • BC153 [NOIP2010]数字统计
  • 浅谈LavelDB
  • Google Earth Engine(GEE)——NDVI的时间序列分析和在线出图
  • 谈吐的艺术(三)
  • pop链详细分析、构造(以[NISACTF 2022]babyserialize为例)