Zeiger auf ein paar gute SVM Tutorial [geschlossen]

Question

Ich habe versucht, die Grundlagen der Support Vector Machines zu erfassen, und heruntergeladen und viele Online-Artikel zu lesen. Aber ich immer noch nicht in der Lage, es zu erreichen.

Ich möchte wissen, ob es einige

• nettes Tutorial
• Beispielcode, der für das Verständnis verwendet werden kann

oder etwas, das man sich vorstellen kann, und das ermöglicht es mir SVM Basics leicht zu erlernen.

PS: ich es irgendwie geschafft, PCA (Principal Component Analysis) zu lernen. BTW, hätte euch gedacht, dass ich auf Maschinelles Lernen arbeite.

Answer 1

Die Standardempfehlung für ein Tutorial in SVMs ist ein Tutorial auf Support Vector Machines für Mustererkennung von Christopher Burges. Ein weiterer guter Ort, um über SVMs zu lernen, ist die Machine Learning natürlich an der Stanford (SVM werden in Vorlesungen abgedeckt 6-8). Beide sind ziemlich theoretisch und schwer auf der Mathematik.

Wie für Quellcode; SVMLight , LIBSVM und TinySVM sind alle offen -Quelle, aber der Code ist nicht sehr einfach zu folgen. Ich habe nicht bei jedem von ihnen sehr genau betrachtet, aber die Quelle für TinySVM ist wahrscheinlich die am einfachsten zu verstehen. Es gibt auch eine Pseudo-Code-Implementierung des SMO-Algorithmus in rel="noreferrer">.

Answer 2

Dies ist ein sehr gutes Einsteiger-Tutorial auf SVM:

SVM erklärt

Ich habe immer gedacht StompChicken empfohlenen Tutorial ein wenig verwirrend in der Art und Weise war, dass sie über Grenzen und VC Statistiken rechts in die Gespräche springen und versuchen, die optimale Maschine und solche zu finden. Es ist gut, wenn Sie bereits die Grundlagen verstehen, though.

Answer 3

Viele Video-Vorlesungen auf SVM:
http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/

Ich fand das eine von Colin Campbell als sehr nützlich.

Answer 4

ein praktischer Leitfaden für SVM-Klassifizierung LIBSVM
PyML Tutorial PyML Ich denke, 1 für den Einsatz praktisch, 3 ist klar für das Verständnis.

Answer 5

Angenommen, Sie kennen die Grundlagen (zB max Marge Klassifizierer, einen Kernel-Konstruktion), lösen Problem Set 2 (Handout # 5) dieser Maschine Stanford Learning-Kurs. Es gibt Antwortschlüssel und er hält die Hand durch den gesamten Prozess. Verwenden Sie Skriptum 3 & Video # 7-8 als Referenzen.

Wenn Sie nicht über die Grundlagen kennen, beobachten frühere Videos.

Answer 6

Ich möchte eine Kopie von R , installieren Sie die E1071 -Paket, das a href schön hüllt <=" http: //www.csie.ntu. edu.tw/~cjlin/libsvm/“rel = "nofollow noreferrer"> LIBSVM , und versuchen, gute Ergebnisse auf Ihre Lieblings-Datensätze zu erhalten.

Wenn Sie nur PCA herausgefunden, könnte es informativ sein auf Daten suchen mit viel mehr Prädiktoren als Fälle (zB Microarray-Genexpressionsprofile, Zeitreihen, Spektren aus dem analytischen Chemie, etc.) und vergleichen Sie die lineare Regression auf dem PCA ‚d-Prädiktoren mit SVM auf den rohen Prädiktoren.

Es gibt viele gute Referenzen in den anderen Antworten, aber ich denke, dass es Wert ist mit der Blackbox in Spielen um, bevor Sie lesen, was drin ist.