![]() |
性感的小虾米 · 推文|不听话的狗狗,再怎么惩罚也不为过《清醒 ...· 7 月前 · |
![]() |
善良的白开水 · 不再“赢了官司输了钱”, 著作权法大修为 ...· 7 月前 · |
![]() |
欢乐的领带 · 严弘:中科大少年班走出来的金融教授 - ...· 8 月前 · |
![]() |
豪爽的小狗 · 曝光!60万人围观德勤数猪现场!_审计· 1 年前 · |
![]() |
完美的单车 · 《东海人鱼传2》今日上线,人鱼绝恋情深不悔, ...· 1 年前 · |
支持向量机递归特征消除(下文简称SVM-RFE)是由Guyon等人在对癌症分类时提出来的,最初只能对两类数据进行特征提取。它是一种基于Embedded方法。
支持向量机广泛用于模式识别,机器学习等领域,SVM采用结构风险最小化原则,同时最小化经验误差,以此提高学习的性能。详细的SVM介绍请看我的另一篇博文 《 线性支持向量机》
在这简单介绍一下SVM。
设训练集
min \quad \frac{1}{2}||\omega||^2+C\Sigma_{i=1}^N\xi_i\\ s.t.\quad y_i(\omega\cdot x_i+b)\ge 1-\xi_i,i=1,2,...,N\\ \xi_i\ge0,i=1,2,...,N
m
i
n
2
1
∣
∣
ω
∣
∣
2
+
C
Σ
i
=
1
N
ξ
i
s
.
t
.
y
i
(
ω
⋅
x
i
+
b
)
≥
1
−
ξ
i
,
i
=
1
,
2
,
.
.
.
,
N
ξ
i
≥
0
,
i
=
1
,
2
,
.
.
.
,
N
而原始问题可以转化为对偶问题:
min\quad \frac{1}{2}\Sigma_{i=1}^N\Sigma_{j=1}^N\alpha_i\alpha_jy_iy_j(x_i\cdot x_j)-\Sigma_{i=1}^N\alpha_i\\ s.t.\quad \Sigma_{i=1}^Ny_i\alpha_i=0\\ 0\le \alpha_i\le C,i=1,2,...,N
m
i
n
2
1
Σ
i
=
1
N
Σ
j
=
1
N
α
i
α
j
y
i
y
j
(
x
i
⋅
x
j
)
−
Σ
i
=
1
N
α
i
s
.
t
.
Σ
i
=
1
N
y
i
α
i
=
0
0
≤
α
i
≤
C
,
i
=
1
,
2
,
.
.
.
,
N
其中,
min\quad \frac{1}{2}\Sigma_{i=1}^N\Sigma_{j=1}^N\alpha_i\alpha_jy_iy_j(x_i\cdot x_j)-\Sigma_{i=1}^N\alpha_i
m
i
n
2
1
Σ
i
=
1
N
Σ
j
=
1
N
α
i
α
j
y
i
y
j
(
x
i
⋅
x
j
)
−
Σ
i
=
1
N
α
i
训练SVM分类器,得到
\qquad\cdots \qquad\cdots\qquad\cdots\qquad\cdots\qquad\cdots\qquad\cdots\qquad\cdots\qquad\cdots
⋯
⋯
⋯
⋯
⋯
⋯
⋯
⋯
{\{(x_i,y_i)\}_{i=1}^{N_l-1+N_{l}},j=\frac{l(l-1)}{2}-1,...,\frac{l(l-1)}{2};当v_i=l-1时,y_i=1,当v_i=l,y_i=-1}
{
(
x
i
,
y
i
)
}
i
=
1
N
l
−
1
+
N
l
,
j
=
2
l
(
l
−
1
)
−
1
,
.
.
.
,
2
l
(
l
−
1
)
;
当
v
i
=
l
−
1
时
,
y
i
=
1
,
当
v
i
=
l
,
y
i
=
−
1
3)循环一下过程直至S=[]:
支持向量机递归特征消除(下文简称SVM-RFE)是由Guyon等人在对癌症分类时提出来的,最初只能对两类数据进行特征提取。它是一种基于Embedded方法。支持向量机支持向量机广泛用于模式识别,机器学习等领域,SVM采用结构风险最小化原则,同时最小化经验误差,以此提高学习的性能。详细的SVM介绍请看我的另一篇博文《 线性支持向量机》在这简单介绍一下SVM。 设训练集{(xi,yi)}Ni=1\{(