使用libsvm對MNIST資料集進行實驗
阿新 • • 發佈：2019-01-02
svm_type c_svc
kernel_type linear 使用線性分類器
nr_class 2二分類
total_sv 15支援向量個數
rho 0.307309
label 1 -1
nr_sv 8 7正負類的支援向量（SV）個數
SV
1 1:7.213038 2:0.198066
1 1:-4.405302 2:0.414567
1 1:8.380911 2:0.210671
1 1:3.491775 2:0.275496
1 1:-0.926625 2:0.220477
1 1:-2.220649 2:0.406389
0.4752011717540238 1:1.408517 2:0.377613
0.4510429211309505 1:-8.633542 2:0.546162
-1 1:8.869004 2:-0.343454
-1 1:7.263065 2:-0.239257
-1 1:-4.2467 2:0.057275
-0.9262440928849748 1:0.755912 2:-0.225401
-1 1:-9.495737 2:-0.027652
-1 1:9.100554 2:-0.297695
-1 1:-3.93666 2:-0.047634
支援向量分三種：對於正類資料：C（也就是引數-c：C設定的值）表示邊界內的支援向量、0<x<C表示邊界上的支援向量（即：在wx+b=±1和wx+b=0之間的支援向量）。對於負類資料也同理。支援向量機就主要是根據這兩類支援向量來建立模型的。對於第三類資料，也就是錯分資料，他們的位置是在支援向量的平面之外，也就是在另一類的區域，並且|wx+b|>1。這一類的點，在訓練資料時並不存在，因此，不會出現在支援向量SV中。
kernel_type linear 使用線性分類器
nr_class 2二分類
total_sv 15支援向量個數
rho 0.307309
label 1 -1
nr_sv 8 7正負類的支援向量（SV）個數
SV
1 1:7.213038 2:0.198066
1 1:-4.405302 2:0.414567
1 1:8.380911 2:0.210671
1 1:3.491775 2:0.275496
1 1:-0.926625 2:0.220477
1 1:-2.220649 2:0.406389
0.4752011717540238 1:1.408517 2:0.377613
0.4510429211309505 1:-8.633542 2:0.546162
-1 1:8.869004 2:-0.343454
-1 1:7.263065 2:-0.239257
-1 1:-4.2467 2:0.057275
-0.9262440928849748 1:0.755912 2:-0.225401
-1 1:-9.495737 2:-0.027652
-1 1:9.100554 2:-0.297695
-1 1:-3.93666 2:-0.047634
支援向量分三種：對於正類資料：C（也就是引數-c：C設定的值）表示邊界內的支援向量、0<x<C表示邊界上的支援向量（即：在wx+b=±1和wx+b=0之間的支援向量）。對於負類資料也同理。支援向量機就主要是根據這兩類支援向量來建立模型的。對於第三類資料，也就是錯分資料，他們的位置是在支援向量的平面之外，也就是在另一類的區域，並且|wx+b|>1。這一類的點，在訓練資料時並不存在，因此，不會出現在支援向量SV中。