| 查看: 894 | 回复: 5 | |||
| 当前只显示满足指定条件的回帖，点击这里查看本话题的所有回帖 | |||
|
|
|||
|
|||
|
3楼2013-04-29 10:43:40
|
|
||
| 查看全部 6 个回答 | |||
lzunightmare木虫 (正式写手)
|
|||
|
2楼2013-04-28 14:42:33
|
|
||
lzunightmare木虫 (正式写手)
|
【答案】应助回帖
★ ★ ★ ★
YBQ大学: 金币+4, ★有帮助 2013-05-03 13:44:15
» 本帖已获得的红花（最新10朵） |
||
|
4楼2013-04-29 17:03:55
|
|
||
 送红花一朵
|
|||
|
5楼2014-01-21 21:07:42
|
|
||
 |
 |
 |
 |
 |
 |
||
 |
 |
 |
 |
 |
| 5 | 1/1 | 返回列表 |
回复此楼
，支持向量机是在正负样本之间找出一个超平面，用以分类。在决定这个超平面时，这些样本点发挥的作用（或者说权重）并不一样大，有一些样本点起了关键作用，这就是“支持向量”，那其他的样本点就算是普通向量吧。hardexample是假正，也就是负样本被判定成了正例，也就是说在首次训练中它们没有发挥支持向量的作用，仅作为“正例”的普通样本对待了。这些样本点靠近首次SVM分类产生的超平面，它们容易被分错。从hardexample提取特征并再次训练，明确了hardexample的支持向量的作用，这将导致超平面的偏移，在后续的分类中纠正部分假正的错误。