案例13 SVM神经网络中的参数优化---提升分类器性能_第1页
案例13 SVM神经网络中的参数优化---提升分类器性能_第2页
案例13 SVM神经网络中的参数优化---提升分类器性能_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

案例背景：在案例12中我们采用SVM来做分类预测,达到了较满意的结果,但用SVM做分类预测时需要调节相关的参数(主要是惩罚参数c和核函数参数g)才能得到比较理想的预测分类准确率,那么SVM的参数该如何选取呢?有没有最佳的参数呢?采用cross validation的思想可以在某种意义下得到最优的参数,可以有效的避免过学习和欠学习状态的发生,最终对于测试集合的预测得到较理想的准确率.采用实例验证表明,用cross validation选取出的参数来训练SVM得到的模型比随机的选取参数训练SVM得到的模型在最后分类预测上更有效.模型建立：.Matlab程序实现(预定此书，即可下载该案例完整程序)：该处有完整的Matlab程序代码，以及代码的详细说明 清空环境变量 数据的提取和预处理 选择最佳的SVM参数c&g 利用最佳的参数进行SVM网络训练 SVM网络预测 结果分析 子函数 SVMcgForClass.m结果分析：该处有详细的运行结果=案例扩展.1.随机选择的参数与上面选择的最佳的参数在分类准确率上的对比2.算法CV_cg中对于同时达到最高验证分类准确率的参数c和g的取舍问题.
人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论