小红花·文摘
  • 首页
  • 广场
  • 排行榜🏆
  • 直播
  • FAQ
Dify.AI
【案例共创】线性分类器与支持向量机 - 新闻标题主题分类(SVM)

本案例介绍了如何使用支持向量机(SVM)进行新闻标题分类。通过MindSpore框架,用户可以进行数据预处理、词向量训练和模型评估,最终实现97.54%的分类准确率。

【案例共创】线性分类器与支持向量机 - 新闻标题主题分类(SVM)

华为云官方博客
华为云官方博客 · 2025-12-17T12:30:00Z
大数据成矿预测系列(四) | 成矿预测的“主力军”:随机森林与支持向量机深度解析

大数据时代,矿产勘查方法正发生变革。机器学习,特别是随机森林和支持向量机,成为成矿预测的关键工具。随机森林通过集成多个决策树,具备抗过拟合和处理小样本的优势;支持向量机则利用核技巧解决复杂非线性问题。两者各有优劣,随机森林在数据稀缺时表现更佳。

大数据成矿预测系列(四) | 成矿预测的“主力军”:随机森林与支持向量机深度解析

Seraphineの小窝
Seraphineの小窝 · 2025-10-11T11:10:26Z
逻辑回归 vs 支持向量机 vs 随机森林:在小数据集上哪种模型更胜一筹?

在小数据集上选择合适的机器学习模型非常重要。逻辑回归适用于线性关系,支持向量机(SVM)适合非线性数据,随机森林能够捕捉复杂模式。样本少于100时,逻辑回归或SVM表现较好;几百样本时,SVM灵活性强;500以上样本时,随机森林效果最佳。选择模型需根据数据特性。

逻辑回归 vs 支持向量机 vs 随机森林:在小数据集上哪种模型更胜一筹?

MachineLearningMastery.com
MachineLearningMastery.com · 2025-08-25T13:59:25Z
10分钟了解7种必知的机器学习算法

本文介绍了七种基本机器学习算法:线性回归、逻辑回归、决策树、随机森林、支持向量机、K均值聚类和朴素贝叶斯。每种算法的原理、适用场景及优缺点进行了简要说明,帮助初学者理解机器学习基础。

10分钟了解7种必知的机器学习算法

KDnuggets
KDnuggets · 2025-07-28T12:00:39Z

本文研究了支持向量机(SVM)在预测中的不确定性量化,提出了稀疏支持向量分位回归(SSVQR)模型,以提高预测区间的质量,并通过特征选择减少高维数据集中的特征数量。实验结果表明,SVM在概率预测任务中优于现代深度学习模型。

Uncertainty Quantification in SVM Prediction

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2025-05-21T00:00:00Z

本研究提出了一种名为FLORAL的对抗训练策略,以防御机器学习模型中的标签中毒攻击。该方法基于支持向量机,通过双层优化框架显著提高模型的鲁棒性和分类能力,尤其在面对增加的攻击预算时表现出色。

Adversarial Training for Defense Against Label Poisoning Attacks

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2025-02-24T00:00:00Z

本文定义了ε安全决策区域,以确保数据驱动分类器的预测可靠性。研究表明,当数据来自指数族分布时,该区域可解析且可控。同时,开发了多成本支持向量机算法以处理不平衡数据,并近似安全区域。实验和代码的提供增强了研究的可重复性。

指数族分布的ε安全决策区域的精确表征与多成本支持向量机近似

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2025-01-29T00:00:00Z
使用Python的机器学习中的核方法

核方法是一种强大的机器学习算法,能够在不显式计算特征空间的情况下,对数据进行复杂的非线性变换,特别适用于高维数据和特征间关系非线性的情况。核函数通过计算两个向量在变换特征空间中的点积来实现,称为核技巧。本文介绍了核技巧、支持向量机(SVM)和核主成分分析(Kernel PCA),并提供了Python实现示例。

使用Python的机器学习中的核方法

MachineLearningMastery.com
MachineLearningMastery.com · 2025-01-27T09:00:57Z
支持向量机核函数解析:如何在机器学习中处理非线性数据

本文介绍了支持向量机(SVM)及其核函数在非线性分类中的应用。SVM通过超平面将特征空间中的数据分为不同类别,核方法将非线性数据映射到高维空间以实现有效分类。文章还讨论了硬边界和软边界SVM的优化方法,以及核函数的选择。通过Python示例,展示了处理复杂数据集的过程。

支持向量机核函数解析:如何在机器学习中处理非线性数据

freeCodeCamp.org
freeCodeCamp.org · 2025-01-06T22:32:35Z

本研究采用机器学习方法,分析22083个实例和42个特征,实现遗传疾病的早期诊断。结果表明,CatBoost分类器准确率为77%,支持向量机在子类预测中最高可达80%。

Comparative Performance of Machine Learning Algorithms in Early Classification of Genetic Diseases and Their Subtypes

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2024-12-03T00:00:00Z
数学视角下的支持向量机(SVM):优化问题求解

支持向量机(SVM)是一种经典的机器学习算法,本文探讨了其优化问题的求解,包括拉格朗日函数和KKT条件的应用。通过推导间隔距离和对偶问题,展示了原问题与对偶问题解的一致性,并介绍了多项式核函数与高斯核函数的特性,强调了核函数在非线性问题中的重要性。

数学视角下的支持向量机(SVM):优化问题求解

逐水寻源
逐水寻源 · 2024-11-27T08:53:06Z

研究人员开发了基于量子计算的支持向量机(SVM)量子内核函数,应用于自然语言处理(NLP)任务,测试结果显示其精度高且鲁棒性强。文章探讨了量子机器学习在经典机器学习中的优势,并提出了量子混合态注意力网络(QMSAN),在文本分类中表现优于现有模型。研究强调特征映射选择和核参数优化对量子方法有效性的关键性。

基于量子核的长短期记忆网络

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2024-11-20T00:00:00Z

本研究利用机器学习和自然语言处理技术,特别是支持向量机(SVM)和BERT,来检测假新闻。结果表明,BERT的表现最佳,而结合BoW和TF-IDF方法的SVM也表现良好,且计算需求较低。

Enhanced Fake News Detection: Challenging BERT with SVM and Advanced Text Vectorization Techniques?

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2024-11-19T00:00:00Z

本研究通过分析书写过程中的运动学和压力特征,成功区分帕金森病患者与健康对照,构建的书写数据库使得支持向量机(SVM)分类器的诊断准确率达到81.3%。

Assessment of Kinematic and Pressure Features in Handwriting for Differential Diagnosis of Parkinson's Disease

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2024-11-05T00:00:00Z

本研究分析了多种深度学习模型在废物分类中的表现,提出了一种结合支持向量机的新方法,显著提高了复杂废物类别的准确性,强调了深度学习在推动环境可持续性中的重要作用。

提升回收效率:深度学习模型在废物分类中的比较分析

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2024-11-05T00:00:00Z

支持向量机(SVM)是一种有效的二分类模型,适用于SQL注入攻击检测。通过解析SQL语句和提取特征,SVM能够准确区分正常与异常的SQL查询。实验结果表明,该方法在SQL注入检测中表现优异,未来可进一步优化以实现自动化识别。

SVM算法在SQL注入攻击语义分析中的应用

FreeBuf网络安全行业门户
FreeBuf网络安全行业门户 · 2024-10-28T07:40:41Z

本文探讨了支持向量机(SVM)及其改进算法在多类和多标签学习中的应用,提出了支持向量度量学习(SVML)和矩阵形式SVM,显著提高了分类精度和效率。同时介绍了新的多类SVM方法和特征选择过程,以优化模型性能并处理不平衡数据集。

支持向量增强机器(SVBM):利用AdaBoost和残差连接提升分类性能

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2024-10-09T00:00:00Z

该研究提出了改进的支持向量机和KNN模型,解决了分类器的计算成本和过拟合问题。通过引入新算法和损失函数,实验结果显示分类准确度和鲁棒性显著提升,尤其在生物医学领域表现突出。

颗粒球双支持向量机

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2024-10-07T00:00:00Z

支持向量机(SVM)是处理线性可分数据的强大分类器,但在实际问题中,类别往往是非线性可分的。通过使用核函数,可以将数据投影到更高维的空间中,从而处理非线性关系。多项式核、径向基函数(RBF)核、Sigmoid核和线性核是常用的核函数。使用核函数的SVM可以高效处理非线性数据。在选择核函数时,需要权衡模型性能和解释性。

使用核函数增强支持向量机的非线性分类能力

DEV Community
DEV Community · 2024-09-21T00:43:32Z
深入探索UC Berkeley CS189课程的机器学习奇妙世界 🤖

UC Berkeley CS189机器学习课程全面涵盖线性分类器、梯度下降和支持向量机等主题,由经验丰富的教师授课,注重理论与实践结合。推荐使用GetVM的Playground在线编码环境增强学习体验。

深入探索UC Berkeley CS189课程的机器学习奇妙世界 🤖

DEV Community
DEV Community · 2024-09-09T20:38:38Z
  • <<
  • <
  • 1 (current)
  • 2
  • 3
  • >
  • >>
👤 个人中心
在公众号发送验证码完成验证
登录验证
在本设备完成一次验证即可继续使用

完成下面两步后,将自动完成登录并继续当前操作。

1 关注公众号
小红花技术领袖公众号二维码
小红花技术领袖
如果当前 App 无法识别二维码,请在微信搜索并关注该公众号
2 发送验证码
在公众号对话中发送下面 4 位验证码
友情链接: MOGE.AI 九胧科技 模力方舟 Gitee AI 菜鸟教程 Remio.AI DeekSeek连连 53AI 神龙海外代理IP IPIPGO全球代理IP 东波哥的博客 匡优考试在线考试系统 开源服务指南 蓝莺IM Solo 独立开发者社区 AI酷站导航 极客Fun 我爱水煮鱼 周报生成器 He3.app 简单简历 白鲸出海 T沙龙 职友集 TechParty 蟒周刊 Best AI Music Generator

小红花技术领袖俱乐部
小红花·文摘:汇聚分发优质内容
小红花技术领袖俱乐部
Copyright © 2021-
粤ICP备2022094092号-1
公众号 小红花技术领袖俱乐部公众号二维码
视频号 小红花技术领袖俱乐部视频号二维码