数据技术应用概论
第一章 绪论
数据素质培养意义
数据技术
数据科学应用体系框架
第二章 计算机信息系统
计算机信息系统的构成
计算机信息系统技术路线
第三章 抽样技术
抽样技术概述
网络调查和社会调查
抽样学习
抽样技术的基本概念
第四章 网络爬虫与文本数据生成
网络爬虫概述
网络爬虫技术操作
文本数据生成
第五章 数据库技术
数据库技术概述
数据库系统开发
关系数据库
数据仓库
第六章 SQL语言
SQL概述
SQL关系定义
SQL查询基本结构
数据库修改
视图
第七章 数据预处理技术
数据预处理概述
数据清理
数据集成
数据规约
数据变换
第八章 回归模型
回归模型的基础知识
最小二乘法
其他常用回归模型
第九章 Logistic建模技术
基础知识
梯度上升算法
第十章 关联规则挖掘
关联规则挖掘的基础知识
关联规则挖掘的 Apriori 算法
其它常用关联规则挖掘算法
第十一章 决策树分类规则
决策树分类规则的基础知识
决策树分类规则挖掘的ID3算法
几种常用的决策树
第十二章 K-平均聚类
基础知识
基于划分的K‐平均聚类算法
其他常用的聚类
第十三章 神经网络模型
神经网络模型的基础知识
误差逆传播算法
其他常用的神经网络算法
第十四章 支持向量机
支持向量机的基础知识
支持向量机的SMO算法
其他常用的支持向量机算法
第十五章 集成学习算法
集成学习算法的基础知识
随机森林算法
其他常用的集成学习算法
第十六章 数据可视化
数据可视化的基础知识
可视化设计基础
数据可视化工具
-
+
首页
第十四章 支持向量机
```mindmap # 支持向量机 ### 支持向量机的基础知识 #### 问题提出 #### 相关概念 ### 支持向量机的SMO算法 #### SMO算法的解读 #### SMO算法的有效性边界 ### 其他常用的支持向量机算法 #### SMO算法的改进技术 #### 几类常用支持向量机算法 ``` ### 支持向量机的基础知识 - **定义：**`SVM`是一种`监督学习模型`，用于`分类和回归分析`。它通过在特征空间中寻找最佳的超平面来区分不同的类别。 - **核心概念：**SVM的核心是`支持向量`，这些是距离决策边界最近的点，它们决定了超平面的位置和方向。 - **最大间隔：**SVM的目标是找到一个超平面，使得不同类别的数据点之间的间隔最大化。 ### 支持向量机的SMO算法 - **全称：**Sequential Minimal Optimization，`顺序最小优化`。 - **目的：**SMO是一种用于解决SVM中二次规划问题的算法，它可以有效地优化SVM的参数。 - **过程：**SMO算法通过分而治之的策略，每次只优化一对参数，从而简化了优化过程并提高了计算效率。 ### 其他常用的支持向量机算法 1. **核技巧：**SVM可以结合不同的核函数来处理非线性可分的数据，常见的核函数包括`线性核`、`多项式核`、`径向基函数（RBF）核`等。 2. **软间隔SVM：**在某些情况下，允许一些数据点违反间隔规则，以提高模型的泛化能力。 3. **一对一SVM：**在多分类问题中，一对一SVM通过成对比较来确定类别之间的边界。 4. **支持向量回归（SVR）：**SVM的变体，用于`回归问题`，通过最小化一个带有ε不敏感损失函数的误差来预测连续值。
张龙
2024年8月14日 16:31
转发文档
收藏文档
上一篇
下一篇
手机扫码
复制链接
手机扫一扫转发分享
复制链接
Markdown文件
分享
链接
类型
密码
更新密码