香港vps中的支持向量机

　　香港vps中的支持向量机

　　在今天的教程里面小编为香港vps的使用者带来，服务器中的支持向量机算法，支持向量机作为一种经典的算法在数据挖掘之中广泛的存在，如果有人想要在机器学习中谋得一份还算可以的工作，那么就不可能不深入的研究一下支持向量机。

　　支持向量机(SVM)是一种广泛使用的分类算法，是一种典型的二分类模型，通过寻求结构化风险最小来提高学习机泛化能力，提高了算法的容错能力，从而达到在统计样本量较少的情况下，亦能获得良好分类效果。通俗来讲，支持向量机的定义为样本的特征空间上的差别最大的分类模型，支持向量机的构建基本遵从由简单到复杂的思路，现在的产业界已经提供了非常多的成熟的算法。

　　SVM的优点：

　　1. 对特征空间划分应用最大化分类边际的思想，算法十分的成熟可靠，已经广泛的应用到了其他的机器学习工具之中。

　　2.使用了非线性映射的理论基础。利用内积核函数代替向高维空间的非线性映射。

　　3. SVM学习问题可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而人工神经网络采用一种基于贪心学习的策略来搜索假设空间，这种方法更容易获得局部最优解。

　　4. SVM 是一种有坚实理论基础的新颖的小样本学习方法，虽然不适合处理大数据，但是对于小数据的处理效率极高。

　　5. SVM 的最终决策函数仅仅是由少数的支持向量决定,计算的复杂性也仅仅是取决于支持向量的数目而不是数据的维数，避免了"维数灾难"。

　　6. 基本上不涉及概率测度及大数定律等，避免了大量数学知识的应用，使得读者掌握起来十分迅速。

　　支持向量机的代码实现(主要是在matlab中实现)：

　　%主函数

　　C = 10;

　　kertype = 'linear';

　　%训练样本

　　n = 50;

　　randn('state',6);

　　x1 = randn(2,n); %2行N列矩阵

　　y1 = ones(1,n); %1*N个1

　　x2 = 5+randn(2,n); %2*N矩阵

　　y2 = -ones(1,n); %1*N个-1

　　figure;

　　plot(x1(1,:),x1(2,:),'bx',x2(1,:),x2(2,:),'k.');

　　axis([-3 8 -3 8]);

　　hold on;

　　X = [x1,x2]; %训练样本d*n矩阵，n为样本个数，d为特征向量个数

　　Y = [y1,y2]; %训练目标1*n矩阵，n为样本个数，值为+1或-1

　　svm = svmTrain(X,Y,kertype,C); //调用支持向量机的函数

　　plot(svm.Xsv(1,:),svm.Xsv(2,:),'ro');

　　function svm = svmTrain(X,Y,kertype,C)

　　options = optimset; % Options是用来控制算法的选项参数的向量

　　options.LargeScale = 'off';

　　options.Display = 'off';

　　n = length(Y);

　　H = (Y'*Y).*kernel(X,X,kertype);

　　f = -ones(n,1); %f为1*n个-1,f相当于Quadprog函数中的c

　　A = [];

　　b = [];

　　Aeq = Y; %相当于Quadprog函数中的A1,b1

　　beq = 0;

　　lb = zeros(n,1); %相当于Quadprog函数中的LB，UB

　　ub = C*ones(n,1);

　　a0 = zeros(n,1); % a0是解的初始近似值

　　[a,fval,eXitflag,output,lambda] = quadprog(H,f,A,b,Aeq,beq,lb,ub,a0,options);

　　epsilon = 1e-8;

　　sv_label = find(abs(a)>epsilon); %0

　　svm.a = a(sv_label);

　　svm.Xsv = X(:,sv_label);

　　svm.Ysv = Y(sv_label);

　　svm.svnum = length(sv_label);

　　%svm.label = sv_label;

　　香港vps中的支持向量机小编就带领大家介绍到这里了，希望大家对支持支持向量机有了一个更加深入的了解。

　　如果您还有什么不明确或者是不懂的地方，欢迎来新世界主机咨询了解，详情请咨询QQ: TEL: 。我们必将竭诚为您服务。