svm

    0熱度

    1回答

    我正在處理使用篩選的視覺詞的包,然後我想整合tf-idf,然後將其饋送到svm,即在scikit-learn中的nusvc,在這裏找到http://scikit-learn.org/stable/modules/generated/sklearn.svm.NuSVC.html#sklearn.svm.NuSVC。我怎樣才能做到這一點?有任何想法嗎?

    1熱度

    1回答

    我使用的是OpenCV 3.0.0。在運行OpenCV的SVM示例1時,我注意到當自動訓練而不是訓練時,預測值介於0和1之間。當我直接使用libsvm運行相同示例時,我看不到相同的行爲。 這是一個錯誤還是有意縮放標籤以及其他功能?行爲似乎也沒有記錄。 這裏是我運行代碼: // Set up training data size_t numberOfSamples = 4; cv::Mat1i

    0熱度

    1回答

    我有一些用戶聊天數據,並在不同的類別分類,問題是有很多算法生成的類別,請參見下面的例子: Message | Category I want to play cricket | Play cricket I wish to watch cricket | Watch cricket I want to play cricket outside | Play cricket outside

    0熱度

    1回答

    我犯了一個巨大的錯誤。我印scikit學習SVM精度輸出: str(metrics.classification_report(trainExpected, trainPredict, digits=6)) 現在我需要從以下輸出精度計算: precision recall f1-score support 1 0.000000 0.000000 0.000000 1259

    0熱度

    1回答

    我正在使用sklearn支持向量迴歸模型和使用MinMax來縮放功能的迴歸問題,但通過使用它我得到了不同的迴歸結果,這是否有意義? import pandas as pd import numpy as np from sklearn import svm from sklearn.preprocessing import MinMaxScaler np.random.seed(0)

    0熱度

    2回答

    在我的項目中,我試圖將行李與其他任何東西(通常是人類)區分開來。 目前,我使用OpenCV和SVM兩種訓練方法,一種使用行李箱,另一種使用人類。在注入幀之前,我將它們轉換爲灰度,但我不應用其他濾鏡。預測的結果不是很準確。 我想知道如果在訓練之前對框架應用額外的過濾器可能會給出更好的結果。例如輪廓檢測。如果輪廓接近「矩形」,那麼它就是一件行李,否則就是「別的東西」。我也在考慮切換到ONE_CLASS

    1熱度

    1回答

    我正在使用函數'fitcsvm'在4個類的數據集上用多項式內核訓練SVM,採用一對一方法。爲了做一個完整性檢查,我試着將結果模型應用到我用於訓練的同一個數據集中,使用函數'predict'。我預測每個支持向量機的所有觀測值的標籤,我選擇對應於具有最高後驗概率的支持向量機的標籤作爲最終標籤。但是,培訓和測試錯誤並不完全相同。這背後的原因是什麼?

    0熱度

    1回答

    一個單變量的時間序列,我有以下數據: head(df) pce pop psavert uempmed unemploy 507.8 198712 9.8 4.5 2944 510.9 198911 9.8 4.7 2945 516.7 199113 9.8 4.6 2958 513.3 199311 9.8 4.9 3143 518.5 199

    0熱度

    1回答

    不幸的是,我在解決this question中描述的警告問題時遇到了一個可怕的時間,下面提出了修復方案,我沒有解決問題。 顯然我正在喂一個數組到SVM.SVC預測和我越來越棄用警告。我只是無法弄清楚我做錯了什麼,我希望有人能幫我修復我的代碼。我相信這是我錯過的一個小小的改正。 我使用Python 2.7 我開始一個數據幀data_df(尺寸減小這裏爲了清楚,但代碼和結構是準確): Price/Sa

    3熱度

    2回答

    我試圖使用包e1071中訓練有素的SVM進行預測,但我的數據包含一些缺失值(NA)。 我想返回的預測爲NA時,該實例有任何缺失的值。我嘗試使用na.action = na.pass如下,但它給我一個錯誤「名稱錯誤(ret2)< - rowns:'names'屬性[150]必須與矢量[149]」的長度相同。 如果我使用na.omit,那麼我可以預測沒有缺失數據的實例。 如何獲得包括NA在內的預測?