svm

    2热度

    1回答

    我使用OpenCV的HOG检测器来检测视频中的行人。但是由detectMultiScale()返回的边界框有一个负值。到目前为止,在互联网上我找不到任何有用或有用的东西来理解和解决这个问题。我甚至不知道为什么会发生这个问题。这是输出。 RECTS: [[183 -6 68 137] [ 76 -7 76 152]] WEIGHTS: [[ 1.21099767] [ 0.37004868]]

    0热度

    1回答

    我试图获得带RBF内核的支持向量机分类器前10名最具信息性(最好)的特征。由于我是编程初学者,我尝试了一些我在网上找到的代码。不幸的是,没有工作。我总是得到错误:ValueError: coef_ is only available when using a linear kernel。 这是我测试的最后代码: scaler = StandardScaler(with_mean=False) e

    0热度

    1回答

    我需要绘制的SVM分类ROC曲线,下面的话题和MATLAB例子很多线程,我不喜欢下面 mdlSVM = fitcsvm(pred,resp,'Standardize',true); mdlSVM = fitPosterior(mdlSVM); [~,score_svm] = resubPredict(mdlSVM); [Xsvm,Ysvm,Tsvm,AUCsvm] = perfcurve(r

    0热度

    1回答

    我正在使用简单的文档集合LDA。我的目标是提取主题,然后使用提取的主题作为特征来评估我的模型。 我决定使用多项SVM作为评价主体。不确定它的好与不好? import itertools from gensim.models import ldamodel from nltk.tokenize import RegexpTokenizer from nltk.stem.porter impor

    0热度

    1回答

    SVM是一种几何算法,它试图通过在两个类之间绘制一个超平面来最大化两个类之间的边距。数字作为数据点是可以理解的。但是,我不明白当数据是文本时如何确定边距和超平面?如果有人能够举一个关于SVM如何处理文本的例子,我将不胜感激。

    0热度

    1回答

    我正在练习使用特征面和支持向量机的人脸识别示例在官方scikit-learn网站上。 http://scikit-learn.org/stable/auto_examples/applications/plot_face_recognition.html#sphx-glr-auto-examples-applications-plot-face-recognition-py 但是当我运行此: fr

    0热度

    1回答

    我需要一个具有huber损失函数的python svm分类器。但其默认损失函数是铰链损失。你知道我怎样才能把损失函数分配给python svm? svc = svm.SVC(kernel='linear', C=1, gamma=1).fit(data, label)

    0热度

    1回答

    FileStorage fs; fs.open("SVM.xml" , FileStorage::READ); Mat SVM_TrainningData; Mat SVM_Classes; fs["TrainingData"] >>SVM_TrainningData; fs["classes"] >>SVM_Classes; Ptr<ml::SVM> svm = ml::SVM:

    1热度

    1回答

    我一直在尝试使用基于OpenCV库上的代码的SVM来训练手写数字。我训练的一部分是如下: import cv2 import numpy as np SZ=20 bin_n = 16 svm_params = dict(kernel_type = cv2.SVM_LINEAR, svm_type = cv2.SVM_C_SVC, C=2.67, gamm

    0热度

    1回答

    伙计们! 我是机器学习方法的新手,对此有疑问。我尝试使用Caret包中的R启动此方法并使用我的数据集。 我有一个关于我感兴趣的基因的突变信息的训练数据集(Dataset1),比如说基因A。 在dataSet1的,我有一个关于基因A在MUT或不-MUT形式的突变的信息。我使用数据集1与SVM模型来预测输出(我选择SVM,因为它比LVQ或GBM更准确)。 因此,在我的第一步中,我将数据集分成了训练组和