专利检索与分析系统
|
意见反馈
|
制图工具
公告: 1.点击检索输入框上方可切换相似检索,上传图片可查找该图片的相似图片。 2.
专利检索与分析系统上线,欢迎试用。
登 录
注册
欢迎您:
未登录
退出
到登录页
图片搜索
相似搜索
检索
高级检索
图片主题:
请以;隔开多个主题词
出版日期:
到
图片类别:
学科类别:
图片大小:
全部
大
中
小
来源数据库:
全部
中国学术期刊网络出版总库
中国博士学位论文全文数据库
中国优秀硕士学位论文全文数据库
中国重要会议论文全文数据库
中国工具书网络出版总库
中国年鉴全文数据库
学术知识图片库
>
自动化技术
> SMO训练算法和线性核函数的分类学习机器,具有很多吸引人的特点,它在函数表达能力、推
SMO训练算法和线性核函数的分类学习机器,具有很多吸引人的特点,它在函数表达能力、推
图片来源:
李海,李春来,侯德艳.
支持向量机下机器学习模型的分析 ,
吉首大学学报(自然科学版), 2010 (03).
>>查看本文图片摘要
图片关键词:
效率图
误差图
模型图
函数表
训练算法
核函数
机器
线性
支持向量机
机器学习
所属学科:
自动化技术
图片上下文:
5 支持向量机的机器学习模型的实现装载数据后显示如图3所示.数据集线性可分的情况下,使用SMO算法的分类结果如图4所示.图3 支持向量机机器学习模型图4 SMO训练算法和线性核函数的分类6 结语支持向量机是基于统计学习理论的新一代学习机器,具有很多吸引人的特点,它在函数表达能力、
....
推广能力和学习效率上都要优于传统的人工神经网络,在实际应用中也解决了许多问题.鉴于支持向量机扎实的理论基础,并且和传统的降维方法相反,SVM通过提高数据的维度将非线性分类问题转换成线性分类问题,较好地解决了传统算法中训练集误差最小而测试集误差仍较大的问题,算法的效率和精度都比较高.所以近年来该方法成为构造数据挖掘分类器的一项新型技术
>>展开全部
相关图片
同文图片
语义相关
读者推荐
相似图片
浏览历史
本单位未订购此产品,请填写调查问卷可
免费获取
下载权限.
京 ICP 证 040431 号
网络出版服务许可证 (总)网出证(京)字第 271 号
经营性网站备案信息
京公网安备 11010802020460 号
《中国学术期刊(光盘版)》电子杂志社有限公司
KDN 平台基础技术由 KBASE 11.0 提供. © 1998-2021 中国知网(CNKI)
用户手册
|
产品标准
|
数据标准
|
图片分类说明