SVM支持向量机预测作业优秀课件.ppt

文档介绍：SVM的基本原理波士顿房价预测Svm基本原理支持向量机(SupportVectorMachine,SVM)分类(SupportVectorClassification,SVC)和回归(SupportVectorRegression,SVR)线性可分(HardMarginSVM)和非线性可分(SoftMarginSVM)SVC—线性可分SVRSvc基本原理如何找到最优的决策边界呢?LogisticSigmoid损失函数“不适定问题”Svc基本原理最优决策边界—泛化能力1、能将训练样本划分2、距离这两个类别的最近样本尽可能远“泛化误差”Svc基本原理dd最优决策边界—泛化能力好1、能将训练样本划分2、距离这两个类别的最近样本尽可能远支持向量margin=2dSvc基本原理dd最优决策边界—泛化能力好1、能将训练样本划分2、距离这两个类别的最近样本尽可能远Svr基本原理margin=2d波士顿房价预测CRIM:城镇人均犯罪率ZN:住宅用地所占比例INDUS:城镇中非住宅用地所占比例CHAS:查尔斯虚拟变量,用于回归分析NOX:环保指数RM:每栋住宅的房间数AGE:1940年以前建成的自主单位的比例DIS:距离5个波士顿的就业中心的加权距离RAD:距离高速公路的便利指数TAX:每一万美元的不动产税率PRTATIO:城镇中的教师学生比例B:城镇中的黑人比例LSTAT:地区中有多少房东属于低收入人群MEDV:自住房屋房价中位数(均价)波士顿房价预测