October 2020
Intermediate to advanced
693 pages
16h 26m
Chinese
Content preview from 机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
Start your free trial
支持向量机
｜
151
和
O
(
m
3
×
n
) 之间。很不幸，这意味着如果训练实例的数量变大（例如成千上万的实例），
它将会慢得可怕，所以这个算法完美适用于复杂但是中小型的训练集。但是，它还是
可以良好地适应特征数量的增加，特别是应对稀疏特征（即每个实例仅有少量的非零特
征）。在这种情况下，算法复杂度大致与实例的平均非零特征数成比例。表 5-1 比较了
Scikit-Learn 的 SVM 分类器类。
表 5-1：用于 SVM 分类的 Scikit-Learn 类的比较
类 时间复杂度 核外支持 需要缩放 核技巧
LinearSVC
O
(
m
×
n
) 否 是 否
SGDClassifier
O
(
m
×
n
) 是 是 否
SVC
O
(
m
2
×
n
) 到
O
(
m
3
×
n
) 否 是 是
5.3 SVM 回归
正如前面提到的，SVM 算法非常全面：它不仅支持线性和非线性分类，而且还支持线性
和非线性回归。诀窍在于将目标反转一下：不再尝试拟合两个类之间可能的最宽街道的同
时限制间隔违例，SVM 回归要做的是让尽可能多的实例位于街道上，同时限制间隔违例
（也就是不在街道上的实例）。街道的宽度由超参数
ε
控制。图 5-10 显示了用随机线性数
据训练的两个线性 SVM 回归模型，一个间隔较大（
ε
= 1.5），另一个间隔较小（
ε
= 0.5）。
图 5-10：SVM 回归
在间隔内添加更多的实例不会影响模型的预测，所以这个模型被称为
ε
不敏感。
你可以使用 Scikit-Learn 的 LinearSVR ...