發(fā)信人: GzLi (笑梨), 信區(qū): DataMining
標  題: 使用SVMs的幾個步驟
發(fā)信站: 南京大學小百合站 (Sat Apr 26 18:06:09 2003)

這樣的合作或許也需要解決第一個設計問題，為給定的應用選擇適當?shù)暮恕?有幾個標準選擇比如高斯和多項式核這些缺省的選項，
但如果它們被證明是無效的或者輸入是離散結(jié)構(gòu)，那么就需要精心制作的核了。
通過隱式定義一個特征空間，核為機器檢閱數(shù)據(jù)提供了一個描述語言。
通常設計者在輸入空間面對相似的符號工作，這時領域?qū)＜夷軌蚪o予無價協(xié)助來幫助他建
立恰當?shù)男嗡贫葴y度。

一般地說，核的選擇實際上是一族具有幾個超參數(shù)的核，比如高斯核中參數(shù)$\sigma$需要
確定。
或許可以啟發(fā)式選擇這些參數(shù)：在高斯的情況下$\sigma$的一個好的選擇是不同類最近點
的距離；通常這個選擇必須適用數(shù)據(jù)。
缺乏可靠的條件，應用依賴驗證集的適用或者是交叉驗證來設置這些參數(shù)。

SVM系統(tǒng)設計者面對的下一個決定是實現(xiàn)哪種SVM。
假定數(shù)據(jù)需要分類，一個決定是是否適用最大間隔，或者選擇哪種軟間隔方法。
這里關鍵的因素是數(shù)據(jù)的維數(shù)和噪聲的類型及程度。

一旦核和優(yōu)化條件決定，系統(tǒng)的關鍵部件都在位了。
使用其它學習系統(tǒng)的經(jīng)驗可能會讓你覺得，下面會是一系列冗長的實驗，參數(shù)不斷變化直
到最好達到滿意的性能。
本章報告的例子中，演示最直接的SVM的實現(xiàn)，不需要進一步的修正，就能超出其它技術(shù)
的能力。
使用SVM的經(jīng)驗建議SVM可以成功應用的領域遠遠超出現(xiàn)在已經(jīng)開發(fā)的。

from Intro. to SVMs
--
              ***  端莊厚重 謙卑含容 事有歸著 心存濟物  ***
數(shù)據(jù)挖掘  http://DataMining@bbs.nju.edu.cn/

※ 來源:．南京大學小百合站 bbs.nju.edu.cn．[FROM: 211.80.84.217]