![]() |
阳刚的显示器 · cmd、powerShell、终端或Term ...· 6 月前 · |
![]() |
满身肌肉的八宝粥 · 酒店营销领域为何如此复杂(一):GDS的诞生 ...· 8 月前 · |
![]() |
忐忑的毛衣 · 史上最赚钱的16个游戏IP,第一名战绩抵10 ...· 10 月前 · |
![]() |
从容的椰子 · 雷电将军专场|谁说巴掌大的本子无法拼贴_哔哩 ...· 1 年前 · |
![]() |
谦逊的小熊猫 · 神秘老公有点坏 神秘老公有点坏漫画 ...· 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\{(