1交叉验证数据设计 Iris数据集由150个4维向量样本和1个整数标签组成。有3个 不同的标签,每个标签正好有50个样本。我们首先要做5倍交叉验证 如下所示:
对于类别1,将数据拆分为5个折叠:样本编号1-10、11-20、21-30、31-40和41-50,它们分别命名为f11、f12、f13、f14和f15
对于2类,其褶皱为f21、f22、f23、f24和f25
对于3类,其褶皱为f31、f32、f33、f34和f35
通过R1={f11,…,创建一个训练数据集。,f14,f21。,24层,31层。,f34},测试集T1={f15,f25,f35}
用R1训练上述6个高斯分类器,在T1上计算精度
用R2-R5和T2-T5重复上述步骤,以获得5个精度
求平均精度,确定虹膜数据集的最佳高斯分类器
2支持向量机 支持向量机的超参数是C(non-separability)和核特定参数。使用5倍交叉 验证到
RBF核参数)。 这些超参数的选择过程称为网格搜索,因为离散参数的组合- 我们在多维向量空间中建立了一个网格,我们在每个网格中寻找 最优超参数集。 关键的设计问题是离散连续参数空间的选择:例如 通常选择C={1,10,100,…}
目前没有回答
相关问题 更多 >
编程相关推荐