machine-learning - 支持向量机距超平面的距离和确定性

标签 machine-learning libsvm svm

向量与支持向量机中决策平面的距离(具有与内核相关的任意配置等)是否与机器对该向量分类的置信度/确定性相关?

最佳答案

是的。这就是为什么 Platt Scaling(单调变换边距)可以产生校准概率的原因。

但是,如果不改变边距,就很难给出可行的解释。

关于machine-learning - 支持向量机距超平面的距离和确定性,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/14837045/

相关文章:

machine-learning - 模糊逻辑运算符

c# - 让 C# 和 Python 为这个机器学习任务进行通信的最佳方法是什么?

python - SVM 自定义 RBF 内核 IndexError

machine-learning - libsvm 输出错误

r - 在 ubuntu 界面上的 R 中安装 e1071

machine-learning - 一种支持非线性内核和一对多多标签的 SVM 实现

python - tensorflow教程中测试数据的计算

python - 在 libsvm 中使用 easy.py 时出现 Errno 32 Broken Pipe

java - 使用 LIBSVM 预测用户的真实性

python - 如何绘制仅具有一个特征的 svm 超平面