支持向量机是分析数据和识别模式的有监督学习模型。 一个特殊的性质是,它们同时最小化经验分类误差和最大化几何余量; 因此,它们也被称为最大边缘分类器。
无功功率,无功功率 支持向量机 = 要求 ( “节点支持向量机” ) ;
无功功率,无功功率 异或 = [
[ [ 0 , 0 ] , 0 ] ,
[ [ 0 , 1 ] , 1 ] ,
[ [ 1 , 0 ] , 1 ] ,
[ [ 1 , 1 ] , 0 ]
] ;
//初始化新的预测器
无功功率,无功功率 clf公司 = 新的 支持向量机 . CSVC公司 ( ) ;
clf公司 . 火车 ( 异或 ) . 完成 ( 功能 ( ) {
//预测事物
异或 . 对于每个 ( 功能 ( 前任 ) {
无功功率,无功功率 预测 = clf公司 . 预测同步 ( 前任 [ 0 ] ) ;
慰问 . 日志 ( “%d XOR%d=>%d” , 前任 [ 0 ] [ 0 ] , 前任 [ 0 ] [ 1 ] , 预测 ) ;
} ) ;
} ) ;
/********控制台********
0异或0=>0
0“异或”1=>1
1“异或”0=>1
1或1=>0
*/
|
|
||
|
|
||
|
|
||
|
|
||
|
|
|
|
|
|
|
|
||
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
||
|
|
|
|
||
|
||
|
||
|
无功功率,无功功率 支持向量机 = 要求 ( “节点支持向量机” ) ;
无功功率,无功功率 clf公司 = 新的 支持向量机 . 支持向量机 ( {
svm类型 以下为: “C_SVC” ,
c(c) 以下为: [ 0.03125 , 0.125 , 0.5 , 2 , 8 ] ,
//核参数
内核类型 以下为: “径向基函数” ,
伽马射线 以下为: [ 0.03125 , 0.125 , 0.5 , 2 , 8 ] ,
//培训选项
千倍 以下为: 4 ,
使正常化 以下为: 真的 ,
减少 以下为: 真的 ,
保留的差异 以下为: 0.99 ,
每股收益 以下为: 1e-3号机组 ,
缓存大小 以下为: 200 ,
收缩 以下为: 真的 ,
可能性 以下为: 假
} ) ;
您可以通过创建 .nodesvmrc文件 文件(JSON)。 如果至少一个参数有多个值, 节点支持向量机 将检查所有可能的组合,以查看哪一个组合的结果最好(它执行网格搜索以最大化 f分数 用于分类和最小化 均方误差 用于回归)。
无功功率,无功功率 clf公司 = 新的 支持向量机 . 支持向量机 ( 选项 ) ;
clf公司
. 火车 ( 数据集 )
. 进步 ( 功能 ( 率 ) {
// ...
} )
. 传播 ( 功能 ( 训练模型 , 培训报告 ) {
// ...
} ) ;
训练模型 稍后可用于恢复预测器(请参阅 这个例子 更多信息)。 培训报告 包含有关预测器准确性的信息(如MSE、precison、recall、fscore、retained variance等)
同步使用 clf#predictSync(输入) 异步使用 clf#predict(inputs).then(function(predicted){…});
同步使用 clf#预测概率同步(输入) . 异步使用 clf#预测概率(输入).then(函数(概率){…}) .
无功功率,无功功率 支持向量机 = 要求 ( “节点支持向量机” ) ;
无功功率,无功功率 clf公司 = 新的 支持向量机 . 支持向量机 ( 选项 ) ;
支持向量机 . 阅读 ( 列车文件 )
. 然后 ( 功能 ( 数据集 ) {
返回 clf公司 . 火车 ( 数据集 ) ;
} )
. 然后 ( 功能 ( 训练模型 , 培训报告 ) {
返回 支持向量机 . 阅读 ( 测试文件 ) ;
} )
. 然后 ( 功能 ( 测试集 ) {
返回 clf公司 . 评价 ( 测试集 ) ;
} )
. 完成 ( 功能 ( 报告 ) {
慰问 . 日志 ( 报告 ) ;
} ) ;
$node-svm 帮助 [ < 命令 > ]
$node-svm训练 < 数据集文件 > [ < 在哪里保存预测模型 > ] [ < 选项 > ]
$node-svm评估 < 模型文件 > < 测试集文件 > [ < 选项 > ]
libsvm网站 Chih-Chung Chang和Chih-Jen Lin,LIBSVM:支持向量机库。 ACM智能系统与技术汇刊,2:27:1--27:272011年。 关于SVM的维基百科文章 节点加载项
为项目分叉。 添加功能或修复错误。 必要时添加文档。 为它添加测试。这很重要,所以我不会在将来的版本中无意中破坏它(运行 咕哝 或 npm测试 ). 向发送拉取请求 发展 分支。
看一看 libsvm常见问题 . 创建 一个问题