#21. Метод опорных векторов (SVM) с нелинейными ядрами

#21. Метод опорных векторов (SVM) с нелинейными ядрами | Машинное обучение

Рет қаралды 7,913

Күн бұрын

Пікірлер: 16

@haykmuradyan9956 2 жыл бұрын

очень хорошо и понятно объясняешь, очень помогает понять некоторые алгоритмы, думаю будет интересно продолжение, жду других алгоритмов))(tree, random forest, bagging, busting, PCA, алгоритмы кластеризации и другие), спасибо

@АлмазСалихов-л9в 7 ай бұрын

Очень качественно.Так приятно и легко изучать машинное обучение с вашими видео)

@dubinin_s 2 жыл бұрын

Спасибо за видео.

@СарматПересветов 7 ай бұрын

огромное спасибо за урок!! хотел спросить, а вы не планируете сделать небольшой курс по библиотеке Scikit-Learn?

@unaibekovbakhyt6517 2 жыл бұрын

Спасибо.

@fanisbaygildin6962 4 ай бұрын

У LinearSVC в Sklearn есть гиперпараметр Penalty, у которого есть значение L1, я так понимаю, что это и есть встроенный отбор признаков.

@selfedu_rus 4 ай бұрын

в SVM L1-регуляризатор не встроен, если только они как то искусственно его добавили, но есть L2-регуляризатор, может это про него?

@fanisbaygildin6962 4 ай бұрын

@@selfedu_rus нет-нет, все верно, у SVC нет L1. Но у sklearn для SVM есть 3 отдельных алгоритма классификации: SVC, LinearSVC и NuSVC. У первых 2х совсем мало отличий, если сравнивать SVC(linear kernel) и LinearSVC. У SVC и NuSVC действительно нет встроенного L1, но я заметил, что у LinearSVC есть гиперпараметр penalty{‘l1’, ‘l2’}, default=’l2’. Я только что попробовал его в деле, и он действительно зануляет признаки при регулировании параметра C. Но это получается L1 встроен только для линейной классификации, а для остальных ядер - нет. Что скажете? Я только учусь, и поэтому не всегда уверен в своих умозаключениях 😄

@unaibekovbakhyt6517 2 жыл бұрын

По javascript будут ли уроки, в частности по фреймворкам? У вас отличная подача информации

@selfedu_rus 2 жыл бұрын

спасибо, по JS есть плейлисты, правда, без фреймовроков