- 1、本文档共19页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
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
文档评论(0)