سلام به همه دوستان. کسی هست اینجا با SVM کار کرده باشه . من چند تا سوال دارم .
۱ ) من یه مساله کلاس بندی دارم . و از تئوری و ریاضیات SVM کم میدونم. آیا برای کار عملی نیازی هست درگیر تئوریش شم ؟
۲ ) بهترین کتابخونه آیا LIBSVM هست یا بهتر از اون هم سراغ دارید ؟
۳ ) منبع خوب برای مطالعه (عملی - تئوری ) چی هست .
سلام
۱) نه تئوری برای کار عملی لازم نیست ولی یه کلیاتی رو باید بدونی .
۲) libsvm کار کردم خوب بود ، طبق گفته همکلاسیم که با ۳ تا کتابخونه سر و کله زده از بقیه بهتره.
۳) سرچ گوگل کن ، دستورات libsvm سادس ، کلا چند تا تابع داره !
جز اون بستگی به زبونی که داری ازش استفاده میکنی ممکنه پل هایی به libsvm هم باشه که کارو ساده تر میکنه
scikit learn پیشنهاد میشه
scikit-learn.org
با سلام به همه دوستان
چندوقته روی موضوع استفاده از ماشین بردار پشتیبان رگرسیونی دارم کار میکنم. در این رابطه برای تعیین پارامترها از الگوریتمهای فراابتکاری مثل بهینه سازی فاخته و رقابت استعماری استفاده میکنم. همچنین توی قسمت آموزش از روش cross-validation نوع k-fold استفاده میکنم. با توجه به مقاله هایی که توی رشته خودم مطالعه کردم، نتایج من خیلی خوب نیست. برای همین شدیدا به کار خودم شک کردم و چندتا سوال توی این زمینه برام به وجود اومده:
۱- من تابع هدف برای الگوریتمهای بهینه سازی رو قسمت آموزش SVR قرار دادم.به این صورت که در نهایت مقدار RMSE میانگین (برای روش ۱۰fold) مقداری کمینه بشه.تا اینجاش درسته؟
۲-بعداز اینکه مقادیر بهینه ۳پارامتر C,epsilon,sigma مشخص شد یه مشکلی وجود داره برای قسمت آزمون مدل. وقتی از روش ۱۰fold استفاده کردم، در حقیقت چرخه آموزش ۱۰ بار تکرار میشه و در نهایت مقدار RMSE میانگین برای ۱۰ دور آموزش به حداقل میرسه.درست؟ خب یعنی ۱۰تا پارامتر بایاس B به دست میاد. حالا برای قسمت آزمون باید میانگین این مقادیر بایاس رو در رابطه قرار داد؟
(۱۵ خرداد ۱۳۹۳ ۱۲:۲۱ ب.ظ)mjjoon2 نوشته شده توسط: سلام به همه دوستان. کسی هست اینجا با SVM کار کرده باشه . من چند تا سوال دارم .
۱ ) من یه مساله کلاس بندی دارم . و از تئوری و ریاضیات SVM کم میدونم. آیا برای کار عملی نیازی هست درگیر تئوریش شم ؟
۲ ) بهترین کتابخونه آیا LIBSVM هست یا بهتر از اون هم سراغ دارید ؟
۳ ) منبع خوب برای مطالعه (عملی - تئوری ) چی هست .
سلام از libSVM متلب استفاده نمایید ، کار با آن بسیار ساده است.