9.1.1 線性可分
9.1.2 線性
線性可分時：硬間隔超平面
近似線性可分：軟間隔超平面
9.1.3 可分
避免高維特徵空間進行複雜的運算，引入核函式形成不同的演算法
9.1.4 c-支援向量分類機
clc, clear
a0=load('fenlei.txt');
a=a0'; b0=a(:,[1:27]); dd0=a(:,[28:end]); %提取已分類和待分類的資料
[b,ps]=mapstd(b0); %已分類資料的標準化
group=[ones(20,1); 2*ones(7,1)]; %已知樣本點的類別標號
s=svmtrain(b',group) %訓練支援向量機分類器
sv_index=s.supportvectorindices %返回支援向量的標號
beta=s.alpha %返回分類函式的權係數
bb=s.bias %返回分類函式的常數項
mean_and_std_trans=s.scaledata %第1行返回的是已知樣本點均值向量的相反數，第2行返回的是標準差向量的倒數
check=svmclassify(s,b') %驗證已知樣本點
err_rate=1-sum(group==check)/length(group) %計算已知樣本點的錯判率
solution=svmclassify(s,dd') %對待判樣本點進行分類
在自然界可以觀察的食物，如果能夠區分它們是否相同或者是否相似，即為模式
clc,clear
a=load('cancerdata2.txt');
a(:,1)=; %刪除第一列
gind=find(a(:,1)==1); %讀出序號
bind=find(a(:,1)==-1); %讀出序號
training=a([1:500],[2:end]); %提出已知樣本點的資料
training=training'; %為了進行標準化，這裡進行了轉置
[train,ps]=mapstd(training); %已分類資料標準化
group(gind)=1; group(bind)=-1; %已知樣本點的類別標號
group=group'; %轉為為列向量
xa0=a([501:569],[2:end]); %提出待分類資料
s=svmtrain(train',group, 'method','smo', 'kernel_function','quadratic') %使用序列最小化方法訓練支援向量機的分類器，如果使用二次規劃的方法訓練支援向量機則無法求解
sv_index=s.supportvectorindices' %返回支援向量的標號
beta=s.alpha' %返回分類函式的權係數
b=s.bias %返回分類函式的常數項
mean_and_std_trans=s.scaledata
check=svmclassify(s,train'); %驗證已知樣本點
err_rate=1-sum(group==check)/length(group) %計算錯判率
solution=svmclassify(s,xa'); %進行待判樣本點分類
solution=solution'
sg=find(solution==1)
sb=find(solution==-1)
第九章 SVM（支援向量機）
支援向量機 svm 一種對線性和非線性資料進行分類的方法。簡單的說，svm是一種演算法 其實不能說，svm是乙個分類器，因為它也可以用來做回歸 工作過程 使用一種非線性對映，把原訓練資料對映到較高的維上。在新的維上，它搜尋最佳分離超平面 即將乙個類的元組與其他類分離的 決策邊界 使用到足夠高維上的 ...
第九章（筆記）
轉移指令是可以修改ip，或同時修改cs和ip的指令 offset 是用於提取標號偏移位址的操作符 jmp在第2章裡說到時用於修改ip或同時修改cs和ip的轉移指令，這章裡單獨的jmp指令是乙個無條件的轉移指令 jmp short 標號 是實現段內短轉移 jmp near ptr 標號 是實現段內近轉...
第九章作業
班級 0401304 學號 2013211526 姓名 鄧小俊 2.身份驗證 依據使用者所提供的身份資訊，來進行登入驗證，可以再細分為使用者是否可以登入sql sever 使用者是否可以登入到指定的目標資料庫等。授權 已通過身份驗證的使用者，檢查其所被賦予的許可權，是否可以訪問或者執行目標的物件 3...