第5章支持向量机.pptxVIP

第5章 支持向量机;5.1 支持向量机简介;5.1 支持向量机简介;5.1 支持向量机简介;5.1 支持向量机简介;5.2 拟合线性回归;5.2.1 生成训练数据 对于训练数据，我们通过模拟生成。 5.2.2 定义训练模型 在SVM模型中，我们选择的损失函数是间距最小值。 curr_y = x * a + b epsilon=tf.constant([0.25]) #间距 loss=tf.reduce_sum( tf.maximum(0.,tf.subtract ( tf.abs(tf.subtract(curr_y,y)),epsilon)));5.2.3 数据训练 总共训练1000次，每次的学习率为0.05。为了便于查看训练过程，每训练完成20次，输出当前的训练次数??a、b以及损失值 5.2.4 运行总结 随着训练的进行，拟合的值与目标值不断靠近。;5.2.4 运行总结（续） 将拟定的间距宽度值调小，再次进行训练。可以很明显的看到，将间距值调小之后拟合直线的误差更小。;5.3 拟合逻辑回归;5.3.1 加载训练数据 对于训练数据，我们通过模拟生成。 5.3.2 定义训练模型 在SVM模型中，我们选择的损失函数： classification_term = tf.reduce_mean(tf.maximum(0., tf.subtract(1., tf.multiply(y, y_)))) cross_entropy = tf.add(classification_term, tf.multiply(alpha, l2_norm));5.3.3 数据训练 总共训练1000次，每次的学习率为0.05。为了便于查看训练过程，每训练完成20次，输出当前的训练次数、a、b以及损失值 5.3.4 运行总结 随着训练的进行，拟合的值与目标值不断靠近。最终，绘制拟合直线和模拟散点，如图所示：;5.4 非线性二值分类;5.4.2 定义训练模型 高斯核函数SVM来完成非线性分类，高斯核表达式为： 相应的损失函数使用对偶优化，其表达式为： ;5.4.2 定义训练模型 01 batch_size = 100 02 x_data = tf.placeholder(shape=[None, 2], dtype=tf.float32) 03 y_target = tf.placeholder(shape=[None, 1], dtype=tf.float32) 04 prediction_grid = tf.placeholder(shape=[None, 2], dtype=tf.float32) 05 b = tf.Variable(tf.random_normal(shape=[1,batch_size])) 06 #高斯核函数只依赖x_data 07 gamma = tf.constant(-10.0) 08 dist = tf.reduce_sum(tf.square(x_data), 1) 09 dist = tf.reshape(dist, [-1,1]) 10 sq_dists = tf.multiply(2., tf.matmul(x_data, tf.transpose(x_data))) 11 my_kernel = tf.exp(tf.multiply(gamma, tf.abs(sq_dists))) #高斯核 12 # 损失函数，分别计算前后两部分。 13 model_output=tf.matmul(b,my_kernel) 14 first_term=tf.reduce_sum(b) 15 b_vec_corss=tf.matmul(tf.transpose(b),b) 16 y_target_cross=tf.matmul(y_target,tf.transpose(y_target)) 17 second_term=tf.reduce_sum(tf.multiply(my_kernel,tf.multiply(b_vec_corss,y_target_cross))) 18 #损失函数最小化，则计算公式取其负数 19 loss=tf.negative(tf.subtract(first_term,second_term)) 20 my_opt = tf.train.GradientDescentOptimizer(0.01) 21 train_step = my_opt.minimize(loss) ;5.4.3 进行数据训练 使用数据进行训练 5.4.4 运行总结 直观的查看结果，如下图所示。图中的红点山鸢尾，*号为非山鸢尾。使用模型