- 1、本文档内容版权归属内容提供方,所产生的收益全部归内容提供方所有。如果您对本文有版权争议,可选择认领,认领后既往收益都归您。。
- 2、本文档由用户上传,本站不保证质量和数量令人满意,可能有诸多瑕疵,付费之前,请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形,可联系本站下载客服投诉处理。
- 3、文档侵权举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
支持向量机 1、准备知识 1.1 VC 维 VC 维的传统定义是:对一个指示函数集,如果存在H 个样本能够被函数集中的函数按所有可能的2H 种形式分开,则称函数集能够把H 个样本打散,函数集的VC 维就是它能打散的最大样本数目H 。若对任 意数目的样本都有函数能将它们打散,则函数集的VC 维是无穷大,有界实函数的VC 维可以通过用一定的 阈值将它转化成指示函数来定义。 VC 维反映了函数集的学习能力,VC 维越大则学习机器越复杂(容量越大),遗憾的是,目前尚没有通 用的关于任意函数集VC 维计算的
有哪些信誉好的足球投注网站
文档评论(0)