建设网站的相关技术,wordpress购物车,义乌建网站,做暖暖在线获取网站参数c和gamma的作用
我们通过下图详解参数c的作用#xff0c;首先我们以一个简单的线性分类器为例#xff0c;上一个博客中我们知道影响分类器的主要因素是支持向量#xff0c;即虚线上的样本#xff0c;如下图可知#xff1a; 但当正负样本的分布在如下情况时#xff0…参数c和gamma的作用
我们通过下图详解参数c的作用首先我们以一个简单的线性分类器为例上一个博客中我们知道影响分类器的主要因素是支持向量即虚线上的样本如下图可知 但当正负样本的分布在如下情况时需要引入核函数对数据进行高维度的映射具体如下图 实线为决策平面虚线上的样本为支持向量。 参数c
上图中我们知道决策平面与支持向量之间有一个距离差而在实际工程中参数c正是影响了支持向量与决策平面之间的距离具体效果为
c越大分类越严格不能有错误
c越小意味着有更大的错误容忍度
具体可以通过下图展示 c越大分类结果越好相应的泛化能力降低c越小我们的决策边界更大一些即在训练时容忍一些样本的误差拿一些边界更宽的样本作为支持向量。 参数gamma
参数gamma主要是对低维的样本进行高度度映射gamma值越大映射的维度越高训练的结果越好但是越容易引起过拟合即泛化能力低。具体效果如下图表示 当gamma较大时决策平面如一个梅花分类的效果好但是模型的鲁棒性不一定高。
因此我们需要合理的选择c和gamma的值使得在训练结果准确的同时测试结果同样相对高即鲁棒性能力强。 总结
在实际工程应用中我们需要不断的调整gamma和c的值并对数据不断地进行交叉验证使得模型的预测结果更高。此时对应的训练结果w和b作为svm最终的训练结果。
本文参考《【机器学习】图解SVM中gamma和c参数的作用》
