SVMを使いこなす！チェックポイント8つ - Qiita
僕はSVMが大好きです．シュパッてきれいに分類できている姿を見ると，かっこよくてドキドキします． 今回は，SVMの性能を最大限に引き出すために知っておくと役立つことを書いていこうと思います．ちょっとチューニングを行うだけで，10%〜20%精度が向上するなんてことはよくあります． なお，本記事は使いこなし方にフォーカスしているので，理論的なことを知りたい方は別途確認して下さい． 特徴量の作成 まずは，適切な特徴量を作成するにあたって注意すべきことを2つ紹介します． 1. スケーリング スケーリングとは，特徴量のとりうる値の範囲をあらかじめ調整してあげることです． なぜスケーリングするの？ 理由は2つあります． 大きい値の範囲をとる特徴量に引きずられないようにします．[0,10]での1と2の違いは1だけですが，[0,10000]での1の100の違いよりもずっと重要です．すなわち，これらを対等に
SVM(RBFカーネル)のハイパーパラメータを変えると何が起こるの? - Qiita
概要 SVM(Support Vector Machine)は分類精度の高い機械学習の手法として知られています. SVMでより高い分類精度を得るには, ハイパーパラメータを訓練データから決定する必要があります. この記事では, RBFカーネル(Gaussian カーネル)を用いたSVMのハイパーパラメータを調整することで, 決定境界がどのように変化するのかを解説します. 決めるべきハイパーパラメータ RBFカーネルを用いたSVMでは, 以下の2つのハイパーパラメータを調整します. コストパラメータ: $C$ RBFカーネルのパラメータ: $\gamma$ コストパラメータについて SVMは特徴空間に写像されたデータ点集合を分離する超平面を決定する手法です. しかし, 特徴空間上の点集合がいつも分離可能とは限りません. 例えば, 以下の図では二種類の記号を完璧に分割するような直線を引くことは
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
