恩施seo搜索引擎优化,关键词优化的原则,代理公司注册有哪些,成都手机网站建设开发几个重要的数据结构 2.1
struct svm_problem
{int l; // 记录样本的总数double *y; // 样本所属的标签(1, -1)struct svm_node **x; // 指向样本数据的二维数组(即一个矩阵#xff0c;行数是样本数#xff0c;列数是特征向量维度)
};
2.2
struct svm_node
{int …几个重要的数据结构 2.1
struct svm_problem
{int l; // 记录样本的总数double *y; // 样本所属的标签(1, -1)struct svm_node **x; // 指向样本数据的二维数组(即一个矩阵行数是样本数列数是特征向量维度)
};
2.2
struct svm_node
{int index;double value;
};
svm_node是用来存储单个样本数据的打个比方说svm_problem是一群羊那么svm_node就是这一群羊中的一只。需要注意的是svm_node的存储空间应该比特征数大一位最后一位index值必须以-1结束。比如 svm_node* node new svm_node[1 feature_size];for (int j 0; j feature_size; j){node[j].index j 1;node[j].value xdata[j];}node[feature_size].index -1;return node;
2.3 struct svm_parameter{int svm_type;// SVM的类型int kernel_type;// 核函数double degree;// 多项式参数double gamma;// 核函数为poly/rbf/sigmoid的参数double coef0;// 核函数为poly/sigmoid的参数//下面是训练所需的参数double cache_size;// 训练所需的内存MB为单位double eps;// 训练停止的标准(误差小于eps停止)double C;// 惩罚因子越大训练时间越长int nr_weight;// 权重的数目目前只有两个值默认为0int *weight_label;// 权重元素个数由nr_weight决定double* weight;// C_SVC权重double nu;double p;int shrinking;// 训练过程是否使用压缩int probability;// 是否做概率估计}; libsvm命名空间下主要使用类 svm_model 为模型类通过训练或加载训练好的模型文件获得 svm_parameter 为参数类主要为支持向量机设定参数具体参数如下 svm_parameter.kernel_type 核函数类型核函数设置类型(svm_parameter.LINEAR) svm_parameter.LINEAR – 线性u×v svm_parameter.POLY– 多项式(γ×u×v coef0)^degree svm_parameter.RBF – RBF函数exp(-γ×|u-v|^2) svm_parameter.SIGMOID – sigmoidtanh(γ×u×v coef0) svm_parameter.degree 核函数中的degree设置(默认3) svm_parameter.coef0 核函数中的coef0设置(默认0) svm_parameter.shrinking 是否使用启发式0或1(默认1) svm_parameter.nu 设置ν-SVC一类SVM和ν- SVR的参数(默认0.5) svm_parameter.C 设置C-SVCε -SVR和ν-SVR的参数(默认1) svm_parameter.cache_size 设置cache内存大小以MB为单位(默认40) svm_problem 相当于训练集合可讲需要训练的数据加入该类传递给训练器 svm_node 内部使用的数据结构主要用于保存待训练数据 svm 主调用程序中我们一般使用以下几个方法 svm.svm_train(svm_problem,svm_parameter) 该方法返回一个训练好的svm_model svm.svm_load_model(文件名); 该方法返回一个训练好的svm_model svm.svm_save_model(文件名,svm_model); 该方法将svm_model保存到文件中 svm.svm_predict_values(svm_model,svm_node,double); 该方法返回doule类值svm_node对svm_model测试返回值确定了svm_node在模型中的定位
