SVM支持向量机预测作业
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于SVM的房价预测模型
专业：管理科学与工程
姓名：樊玉婷
• SVM的基本原理
• 波士顿房价预测
SVM 基本原理
• 支持向量机（Support Vector Machine,SVM） • 分类（Support Vector Classification,SVC）和回归（Support Vector Regression,SVR） • 线性可分（Hard Margin SVM）和非线性可分（Soft Margin SVM）
SVC—线性可分 SVR
SVC 基本原理
如何找到最优的决策边界呢？
Logistic Sigmoid 损失函数
SVC 基本原理
最优决策边界—泛化能力 1、能将训练样本划分 2、距离这两个类别的最近样本尽可能远
SVC 基本原理 最优决策边界—泛化能力好
1、能将训练样本划分 2、距离这两个类别的最近样本尽可能远
• ZN：住宅用地所占比例
• INDUS：城镇中非住宅用地所占比例 • CHAS：查尔斯虚拟变量，用于回归分析 • NOX：环保指数 • RM：每栋住宅的房间数 • AGE：1940年以前建成的自主单位的比例 • DIS：距离5个波士顿的就业中心的加权距离
• RAD：距离高速公路的便利指数
• TAX：每一万美元的不动产税率 • PRTATIO：城镇中的教师学生比例 • B：城镇中的黑人比例 • LSTAT：地区中有多少房东属于低收入人群 • MEDV：自住房屋房价中位数（均价）
波士顿房价预测
波士顿房价预测
惩罚系数C
波士顿房价预测
惩罚系数C 深度deep
波士顿房价预测
惩罚系数C gamma
波士顿房价预测
THANKS！
d d
margin=2d
最优决策边界—泛化能力好 SVC 基本原理1、能将训练样本划分 2、距离这两个类别的最近样本尽可能远
d d
最优决策边界—泛化能力好 SVC 基本原理1、能将训练样本划分 2、距离这两个类别的最近样本尽可能远
d d
来自百度文库 SVR 基本原理
margin=2d
波士顿房价预测
• CRIM：城镇人均犯罪率
专业：管理科学与工程
姓名：樊玉婷
• SVM的基本原理
• 波士顿房价预测
SVM 基本原理
• 支持向量机（Support Vector Machine,SVM） • 分类（Support Vector Classification,SVC）和回归（Support Vector Regression,SVR） • 线性可分（Hard Margin SVM）和非线性可分（Soft Margin SVM）
SVC—线性可分 SVR
SVC 基本原理
如何找到最优的决策边界呢？
Logistic Sigmoid 损失函数
SVC 基本原理
最优决策边界—泛化能力 1、能将训练样本划分 2、距离这两个类别的最近样本尽可能远
SVC 基本原理 最优决策边界—泛化能力好
1、能将训练样本划分 2、距离这两个类别的最近样本尽可能远
• ZN：住宅用地所占比例
• INDUS：城镇中非住宅用地所占比例 • CHAS：查尔斯虚拟变量，用于回归分析 • NOX：环保指数 • RM：每栋住宅的房间数 • AGE：1940年以前建成的自主单位的比例 • DIS：距离5个波士顿的就业中心的加权距离
• RAD：距离高速公路的便利指数
• TAX：每一万美元的不动产税率 • PRTATIO：城镇中的教师学生比例 • B：城镇中的黑人比例 • LSTAT：地区中有多少房东属于低收入人群 • MEDV：自住房屋房价中位数（均价）
波士顿房价预测
波士顿房价预测
惩罚系数C
波士顿房价预测
惩罚系数C 深度deep
波士顿房价预测
惩罚系数C gamma
波士顿房价预测
THANKS！
d d
margin=2d
最优决策边界—泛化能力好 SVC 基本原理1、能将训练样本划分 2、距离这两个类别的最近样本尽可能远
d d
最优决策边界—泛化能力好 SVC 基本原理1、能将训练样本划分 2、距离这两个类别的最近样本尽可能远
d d
来自百度文库 SVR 基本原理
margin=2d
波士顿房价预测
• CRIM：城镇人均犯罪率