没有合适的资源?快使用搜索试试~ 我知道了~
《机器学习》后三次实验报告.docx
需积分: 20 3 下载量 188 浏览量
2022-01-16
19:04:28
上传
评论
收藏 862KB DOCX 举报
温馨提示
试读
12页
对于机器学习中的支持向量机,贝叶斯分类,聚类进行了实验的说明和完成情况,如果需要源代码的话可以私信联系我。
资源推荐
资源详情
资源评论
机器学习后三次实验报告
一.支持向量机
1.1 实验内容和部分实验结果:
实验 1:尝试使用使用不同核函数,绘制分类效果图及简述核函数的作
用。
使用高斯核(径向基函数)绘制分类效果图:
使用 sigmoid 核绘制分类效果图:
使用多项式核绘制分类效果图:
引进核函数的原因:解决线性不可分问题时,需要把样本值映射到高维空
间,在这个高维空间内使用分类问题的方法时,要计算向量内积,核函数可将
求高维向量内积转为求低维向量内积,降低运算复杂度。
实验 2:使用线性核,调整 C 的值,绘制数据集,SVM 分离超平面,间
隔超平面以及支持向量。阐述软间隔的作用。
软间隔的作用:核函数使样本在更高维可分,但有出现过拟合的风险,为
避免这一风险,引入软间隔,允许少量的样本分类出错,但这些样本又需尽可
能的少。 C 是正则化常数,当 C 越大时其支持向量机的容错范围越小。
调整 C 的值,绘制 SVM 分离超平面如下:
C=10
C=1
C=0.1
实验 3:使用支持向量机完成 spambase 垃圾邮件分类任务。使用训练
集训练模型,计算测试集的精度,查准率,查全率,F1 值。
实验过程中分别使用了高斯核,线性核和 sigmoid 核,软间隔 C 取 1 和 0.1
进行模型训练。实验结果如下表:
精度 查准率 查全率 F1 值
高斯核 C=0.1
0.7 0.65 0.46 0.54
高斯核 C=1
0.72 0.67 0.49 0.57
线性核 C=0.1
0.9 0.87 0.85 0.86
线性核 C=1
0.8 0.91 0.54 0.68
剩余11页未读,继续阅读
资源评论
dor.yang
- 粉丝: 9926
- 资源: 10
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
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