scikit-learnのSVM（SVC）の処理速度について - Qiita
2016.09.14 処理時間のバラつきについて追記しました scikit-learnのSVC（rbfカーネルとlinearカーネル）とLinearSVCの処理速度を比較してみました． 利用したデータはRのkernlabパッケージに含まれているspamデータです． 説明変数は4601サンプル，57次元， ラベルはspam:1813サンプル，nonspam:2788サンプルです． サンプル数，次元数を変えた時の結果は以下の通りです． SVCのlinearカーネルが遅すぎますね． ついついカーネル種別まで含めてグリッドサーチしてしまいたくなりますが， きちんとLinearSVCを使ったほうが良さそうです． 検証用コードは以下． 処理時間計測の都合でパラメータCを振っています． また特徴量選択（次元削減）はRandomForestのfeature importanceを利用しました． これは適当
非線形SVMとscikit-learnによる実装 - Qiita
以前（というか昨年のAdvent Calender）線形SVMについて書かせていただいたのですが、非線形の部分に触れられずに終わってしまったので、今回は続きということで非線形SVMについてまとめてみようと思います。 前回の記事は以下になります。 線形SVM(Machine Learning Advent Calendar 2015) 非線形SVMとは 前回の線形SVMでは、データ集合の実空間上に線形な境界を設けることで、データ集合を２つのグループに分類していました。 例えば、二次元空間上に存在するデータ集合を２つのグループに分類したいとき、線形SVMを使えば両グループが最も乖離する位置に線形な境界（超平面）を定義でき、データ集合を2分することができます（なおこのときのデータ集合は訓練集合であり、各データの正解ラベルはわかっているものとします）。 （同じ色の点は、同じグループのデータであるこ
Scikit learnより SVMで手書き数字の認識 - Qiita
Scikit learnのチュートリアルを参考にしながら、SVMを使った手書き文字の認識と結果の可視化をPythonで実装してみた。 使用するデータ Scikit learn のライブラリに含まれているdigitsデータを使う。中身を見ると、64(=8x8)ピクセル、グレイスケールの手書き数字の画像データ、1797個分が行列形式で準備されている。これをSVMを使って多クラス分類する。 # Load example data from sklearn import datasets digits = datasets.load_digits() # データフォーマットの確認 print(digits.data) print(digits.data.shape) n_samples = len(digits.data) # データ数 print(n_samples) # 画像にして出力 imp
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
