1回答
如果这是一个非常简单的问题，很抱歉。但我是这个领域的新手。 我的具体问题是:我已经用Python语言训练了一个XGboost分类器。训练结束后，如何获得训练数据中比固定值更接近模型决策边界的样本？
浏览 24提问于2020-03-28得票数 2
1回答
我一直在阅读文章和论坛，以了解软保证金如何影响新数据点的分类，但我仍然无法将软边距如何影响分类问题的结果联系起来。
的硬边距是否意味着任何数据点都不能落在边距范围内？？
软保证金的作用是什么？决定每个数据点对决策边界的影响？也就是使错误分类的<
浏览 3提问于2022-09-03得票数 -3
1回答
我对于一个问题的特性只是一个单一的特性，所以X_train只有一个维度。现在，我已经使用了支持向量机、朴素贝叶斯和Logistic回归。那么，现在我如何绘制这些分类器的决策边界呢？是否有一种方法可以使用python绘制具有决策边界的一维特征向量？我做了很多次搜索，但没有找到任何结果。X_train形状为(489，1) (489个实例各有一个值)
浏览 0提问于2021-01-30得票数 1
1回答
我有一个三层MLP分类器模型.(输入层-隐层-输出层).在支持向量机或logistic回归的情况下，获得符号距离并不困难。
但是MLP呢？我想检查“一个新数据离决策边界有多远”，而没有新数据的真正标签。
浏览 7提问于2022-09-30得票数 0
回答已采纳
1回答
我们知道，由于最大限度的线性核支持向量机比logistic回归得到更好的结果.通常会导致更稳定的结果/更好的位移决策边界。
浏览 0提问于2023-01-03得票数 0
1回答
以下代码应该使用ksvm包中的kernlab函数创建支持向量分类器(具有线性内核的支持向量分类器)：set.seed(1)svc <- ksvm(x, y, type = "C-svc", kernel = "vanilladot")生成的图表：
浏览 1提问于2018-04-20得票数 1
回答已采纳
1回答
值是自然数。只有两门课。我认为在一个决策点上分离类是非常容易的，例如A类如果值< 10，B类如果值为>= 10，唯一的困难是决策边界附近的类和值之间存在一些重叠。是否有一种快速和轻量级的方法来更新观察结果并对Java中的新数据点进行分类以解决这个问题？理想的情况是：classifier.c
浏览 2提问于2015-04-28得票数 1
回答已采纳
在安德鲁·吴在“古瑟拉关于分类”的ML视频中(在第三段视频中)，他说“决策边界不是训练集的属性”。这句话是什么意思？这是否也意味着我们在线性回归中用来拟合数据的直线或任何曲线不是训练集的属性？他声称，这些曲线(通过线性回归实现)并不是相应的训练数据的特性。我对此有点困惑。如果我的疑虑能被消除的话。提前谢谢。
浏览 0提问于2018-04-19得票数 1
回答已采纳
2回答
在吴家富的机器学习课程之后，他解释了如何修改logistic回归以获得支持向量机算法。生成的成本函数如下图所示，这是支持向量机的最小化目标：随后，他指出，通过选择参数C的一个很大的值，支持向量机将成为一个大的边缘分类器。在logistic回归中，参数C的大值等于选择参数\lambda的小值。那么，对于\lambda来说，具有小值的logistic回归是否也是一个大边缘分类<e
浏览 0提问于2020-03-12得票数 3
回答已采纳
3回答
这两个数据集都是不平衡的(百分比相似)，大约有90%的标签1。如果测试集是非常不平衡的，那么平衡数据会有用吗？标签0的实例(即10%)仍然足够。有没有使用过采样和过采样的混合技术？还是没什么意义？
浏览 0提问于2023-03-08得票数 2
1回答
高维数据决策边界的绘制
、、、、
我正在为二进制分类问题建立一个模型，其中我的每个数据点都是300维(我正在使用300个特性)。我正在使用PassiveAggressiveClassifier从滑雪。这个模型表现得很好。我想绘制模型的决策边界。我怎么能做到呢?from sklearn.manifo
浏览 6提问于2016-06-09得票数 23
2回答
目前，我正在使用sklearn的Logistic回归函数来处理一个综合的2d问题。数据集如下所示：我正在基本地将数据插入sklearn的模型中，这就是我所得到的(浅绿色，忽略深绿色)：这方面的代码只有两行: model = LogisticRegression我没有使用正规化器(这会影响到它吗？)
在我看来，边界是这样的，我觉得很奇怪。直觉上，我觉得它们应该是对角线的，因为数据(大部分)位于右上、左下，并且从测试中可以看出，一些
浏览 1提问于2018-04-01得票数 1
回答已采纳
1回答
理论上，无隐层神经网络应该和logistic回归一样，但是，我们收集到的结果变化很大。让这更令人困惑的是，测试用例是难以置信的基础，然而神经网络却无法学习。我们尝试选择两个模型的参数尽可能相似(相同的时间数，没有L2惩罚，相同的损失函数，不添加优化，如动量，等等)。sklearn回归正确地发现决策边界一致，且变异最小。tensorflow神经网络是高度可变的，在那里，它看起来是‘挣扎’的训练。
下面包含此代码以重新创
浏览 2提问于2022-07-14得票数 0
回答已采纳
我刚开始学习滑雪，我想解释分类结果。我感到困惑的是，决策曲面和决策边界之间有什么区别？我看到两个例子显示了分类器的不同：2)
两者都用来表示分类器的差异。第一种使用预测，第二种使用predict_proba或决策函数。所以我很困惑。
浏览 1提问于2016-04-11得票数 3
回答已采纳
2回答
理解感知器
、、、、
我刚开始上机器学习课，我们复习了感知器。对于家庭作业，我们应该：“选择合适的二维(平面)训练和测试数据集，使用10个数据点进行训练，5个数据点进行测试。”然后我们应该编写一个程序，它将使用感知器算法并输出：
算法所做的权重更新总数在培训集上进行<e
浏览 2提问于2015-01-31得票数 3
回答已采纳
我目前正在研究一个二进制支持向量机分类器。为了可视化分类器的工作方式，我想要创建一个概率密度函数直方图(用scikit计算)，它显示单个数据点的标量(不管它属于0类还是1类)。情节：
请注意，在支持向量机中，分类器的“切边”为-1和1。该图很好地描述了在-1, 1. 处有一些决策边界。回到我的问题:我想分别给标签0和1的数据点</e
浏览 2提问于2021-01-21得票数 1
回答已采纳
1回答
正如您所看到的，我有一些点(属于红色和蓝色类)，我会使用RBF核，但我认为，只有在点处于完美的圆形方式时，RBF核才能使点线性可分。
浏览 0提问于2019-01-13得票数 2
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
云直播
对象存储
腾讯会议活动推荐
腾讯云开发者
