没有合适的资源?快使用搜索试试~
我知道了~
文库首页
课程资源
专业指导
支持向量机ppt 训练分类器
支持向量机ppt 训练分类器
支持向量机
3星
· 超过75%的资源
需积分: 9
22 下载量
84 浏览量
2011-03-08
10:13:40
上传
评论
2
收藏
194KB
PPT
举报
温馨提示
立即下载
支持向量机的说明ppt 训练分类器,用于图像视频的训练分类
资源推荐
资源评论
SVM(支持向量机)PPT
浏览:142
自己分享SVM总结的一个PPT,介绍到硬间隔,有大概的推导过程,可以简单的了解
(机器学习)分类器、神经网络、SVM等.ppt
浏览:180
比较详细的PPT课件,包含KNN,贝叶斯分类器,神经网络,支持向量机的相关讲解
支持向量机分类器
浏览:68
一个基于.net平台的支持向量机开发源代码,有兴趣的可以下载看看
机器学习 支持向量机分类器使用
浏览:44
支持向量机使用不同基函数对分类结果的影响; 附带高质量数据集,可以重复使用,修改测试代码; 加深对于支持向量机的理解和应用; 适合机器学习初学者,巩固基础知识,强化基础理论的学习和应用。
线性分类器和支持向量机课件
浏览:148
5星 · 资源好评率100%
支持向量机,课件,详细介绍了支持向量机的思想,算法,过程,希望对您有用!
支持向量机分类器(svm)
浏览:53
模式识别方面必备的分类器之一,尤其在人脸识别经常会用到的分类器。
支持向量机最优间隔分类器
浏览:69
5星 · 资源好评率100%
主要介绍最优间隔分类器,以及拉格朗日对偶问题
大学机器学习课程实践,涉及线性回归、支持向量机、贝叶斯分类器、CNN文本分类四个课程,包含讲解PPT、实验指导书、项目源码文件
浏览:189
四个机器学习实验,主要涉及简单的线性回归、朴素贝叶斯分类器、支持向量机、CNN做文本分类。 内附实验指导书、讲解PPT、参考代码 1、实验讲解PPT 4份 实验一 线性回归模型实验指导 实验二 支持向量机模型实验指导 ...
SVM 支持向量机 PPT
浏览:63
4星 · 用户满意度95%
关于线性判别分类器的SVM的ppt,对想了解svm的人有一定的帮助。看完后会对SVM有充分的了解
学习支持向量机(svm)
浏览:133
支持向量机(SVM)是一种分类模型,它的基本模型是定义在特征空间上的间隔最大的线性分类器,学习策略是间隔最大化,最终可转化为一个凸二次规划问题的求解。包含三个由简至繁的模型:线性可分支持向量机、线性支持...
机器学习-支持向量机svm.pptx
浏览:91
自己制作的支持向量机PPT,用于日常学习分享,欢迎大家下载交流,配套的文章在本人的博客上。适合课题分享、小组交流、科普机器学习。
Python 支持向量机分类器的实现
浏览:95
5星 · 资源好评率100%
主要介绍了Python 支持向量机分类器的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
基于线性规划的v-支持向量机分类器 (2005年)
浏览:53
Sch?lkopf等提出的基于二次规划的v-支持向量机(v-SVM)与标准SVM相比,其优势在于可以控制支持向量的数目和误差,但由于增加了模型的复杂性,限制了其应用。为此,构造了一种基于线性规划的v-SVM分类器,模型简单,参数v具有明确的意义,同样可以控制支持向量的数目和误差,直接利用比较成熟的线性规划算法。数值实验表明,该方法v-SVM的训练速度要比基于二次规划的v-SVM快得多,而分类效果两
复数值支持向量分类器
浏览:165
复数值支持向量分类器
2019-3线性分类器与支持向量机1
浏览:159
4.1线性判别函数和线性分类界面 4.1线性判别函数和线性分类界面 4.1线性判别函数和线性分类界面
机器学习算法教程 深度学习算法系列教程英文PPT课件 SVM支持向量机 共22页.pptx
浏览:74
SVM支持向量机 VAE无监督学习:生成 半监督学习 分类:概率生成模型 估计量的偏差和方差 结构化线性模式 结构化学习导论 结构化支持向量机SVM 课程介绍 模型集成 集成学习 迁移学习 深度学习 深度学习框架Keras 深入...
机器学习算法教程 深度学习算法系列教程英文PPT课件 结构化支持向量机SVM 共74页.pptx
浏览:66
SVM支持向量机 VAE无监督学习:生成 半监督学习 分类:概率生成模型 估计量的偏差和方差 结构化线性模式 结构化学习导论 结构化支持向量机SVM 课程介绍 模型集成 集成学习 迁移学习 深度学习 深度学习框架Keras 深入...
机器学习算法教程 深度学习算法系列教程英文PPT课件 分类:概率生成模型 共35页.pptx
浏览:132
SVM支持向量机 VAE无监督学习:生成 半监督学习 分类:概率生成模型 估计量的偏差和方差 结构化线性模式 结构化学习导论 结构化支持向量机SVM 课程介绍 模型集成 集成学习 迁移学习 深度学习 深度学习框架Keras 深入...
机器学习算法教程 深度学习算法系列教程英文PPT课件 RNN神经网络训练 共28页.pptx
浏览:103
SVM支持向量机 VAE无监督学习:生成 半监督学习 分类:概率生成模型 估计量的偏差和方差 结构化线性模式 结构化学习导论 结构化支持向量机SVM 课程介绍 模型集成 集成学习 迁移学习 深度学习 深度学习框架Keras 深入...
机器学习算法教程 深度学习算法系列教程英文PPT课件 全套资料 共27个课件.rar
浏览:105
SVM支持向量机 VAE无监督学习:生成 半监督学习 分类:概率生成模型 估计量的偏差和方差 结构化线性模式 结构化学习导论 结构化支持向量机SVM 课程介绍 模型集成 集成学习 迁移学习 深度学习 深度学习框架Keras 深入...
范混合双支持向量机分类器及其几何算法
浏览:4
范混合双支持向量机分类器及其几何算法
支持向量机SVM分类器
浏览:113
4星 · 用户满意度95%
使用c++实现的支持向量机 SVM代码~
支持向量域多分类器 (2012年)
浏览:51
为解决多分类支持向量机计算量大、训练时间长的问题,构造了支持向量域多分类器(MSVDC).在训练阶段,运用支持向量域描述求得各类样本的最小包围超球,进而将数据空间划分为不同区域;在测试阶段,计算待识别样本与最小包围超球球心的距离,并判断其空间位置;对超球重叠以及超球外区域的样本,定义一种相对类距离,判断样本归属该值较小的类.MSVDC避免了重复利用训练样本,降低了内存占用并提高了计算效率.数值实验
聚类分片双支持向量域分类器
浏览:34
<p>针对支持向量域分类器对大规模样本集的训练时间长且占用内存大的问题, 构造聚类分片双支持向量域分类器. 以均值聚类剖分原始空间, 并选取密度指标大的样本作为初始聚类中心; 对子空间构造双支持向量域分类器,根据样本与正负类最小包围超球的距离构造分段决策函数; 定义样本的变尺度距离, 以链接规则组合子空间的分类结果. 数值实验表明, 所提出算法的分类精度高且受参数变化的影响不大, 分类时间短且随子
基于结构信息的双超球支持向量机分类器
浏览:198
基于结构信息的双超球支持向量机分类器
机器学习算法教程 深度学习算法系列教程英文PPT课件 无监督学习:深度自动编码器 共24页.pptx
浏览:197
SVM支持向量机 VAE无监督学习:生成 半监督学习 分类:概率生成模型 估计量的偏差和方差 结构化线性模式 结构化学习导论 结构化支持向量机SVM 课程介绍 模型集成 集成学习 迁移学习 深度学习 深度学习框架Keras 深入...
机器学习算法教程 深度学习算法系列教程英文PPT课件 迁移学习 共38页.pptx
浏览:25
SVM支持向量机 VAE无监督学习:生成 半监督学习 分类:概率生成模型 估计量的偏差和方差 结构化线性模式 结构化学习导论 结构化支持向量机SVM 课程介绍 模型集成 集成学习 迁移学习 深度学习 深度学习框架Keras 深入...
机器学习算法教程 深度学习算法系列教程英文PPT课件 序列标记 共15页.pptx
浏览:73
SVM支持向量机 VAE无监督学习:生成 半监督学习 分类:概率生成模型 估计量的偏差和方差 结构化线性模式 结构化学习导论 结构化支持向量机SVM 课程介绍 模型集成 集成学习 迁移学习 深度学习 深度学习框架Keras 深入...
评论
收藏
内容反馈
立即下载
资源评论
资源反馈
评论星级较低,若资源使用遇到问题可联系上传者,3个工作日内问题未解决可申请退款~
联系上传者
评论
bouquet
2012-12-04
svm理论的最基本知识,主要介绍libsvm的使用
bnulihe
粉丝: 0
资源:
1
私信
上传资源 快速赚钱
我的内容管理
展开
我的资源
快来上传第一个资源
我的收益
登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏
我的下载
下载帮助
前往需求广场,查看用户热搜
最新资源
分布式数据库在城商行OLTP场景的应用.docx
zap_root_ca.cer
基于PYQT的遥感影像图片分类GUI界面源码分享
分布式数据库版本迭代分析.docx
分布式数据库管理-第1篇.pptx
分布式数据库管理系统的设计与优化.pptx
分布式数据库系统.ppt
基于PYQT5的遥感影像语义分割GUI
分布式数据库运营指南.docx
分布式数据库选型分析.docx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功