关于TSVM的一些学习资料

最新推荐文章于 2025-08-13 12:55:05 发布
原创 最新推荐文章于 2025-08-13 12:55:05 发布 · 2.8k 阅读 · 8 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文介绍半监督学习在文本分类中的应用，重点讨论了使用支持向量机进行推导式推理的方法，并提供了SvmLight、SvmLin及UniverSvm等工具包的概览。
LS_SVMlab工具箱（附带使用说明）
02-05
LS_SVMlab工具箱是一个方便的解决最小二乘支持向量机的分类以及回归问题的工具箱，附带工具箱使用方法，方便好用！
TSVM完整代码
10-13
TSVM算法的完整代码，对于TSVM模型想要尝试一下的，可以下载。
matlab的exec程序,TSVM的matlab程序 - 信息科学 - 小木虫 - 学术 科研 互动社区
weixin_39755952的博客
03-18 341
别的地方看到一个，不知道符合你要求不？----------------------------------------------分割线--------------------------------------------------------------------function classifier=tsvm(X,Y,Kernel,KernelParam,lambda)% TSVM Im...
文献阅读——Revisiting Semi-Supervised Learning with Graph Embeddings
hei653779919的博客
07-04 1450
文献阅读——Revisiting Semi-Supervised Learning with Graph Embeddings 1 背景介绍 半监督学习的目标是利用未标记的数据来提升模型的效果。大量的半监督学习算法共同优化两个训练时的目标函数。包括基于已标记数据的监督学习损失和基于已标记和未标记数据的半监督学习的损失。基于图的半监督学习的损失以一种对于监督学习的损失和图的拉普拉斯正则化项的加权求和的形式来定义。图的拉普拉斯正则化是基于相邻节点之间拥有相同标签的结构的假设来定义的。图的拉普拉斯正则化因为约束了
半监督学习--TSVM
qestion_yz_10086的博客
08-04 2053
半监督学习–TSVM import numpy as np import pandas as pd import sklearn.svm as svm from sklearn import metrics import joblib import time import pickle from sklearn.model_selection import train_test_split, cross_val_score class TSVM(object): def __init__
半监督SVM
qestion_yz_10086的博客
07-28 2501
标题 半监督SVM 监督学习中的SVM试图找到一个划分超平面，使得两侧支持向量之间的间隔最大，即“最大划分间隔”思想。对于半监督学习，S3VM则考虑超平面需穿过数据低密度的区域。TSVM是半监督支持向量机中的最著名代表，其核心思想是：尝试为未标记样本找到合适的标记指派，使得超平面划分后的间隔最大化。TSVM采用局部搜索的策略来进行迭代求解，即首先使用有标记样本集训练出一个初始SVM，接着使用该学习器对未标记样本进行打标，这样所有样本都有了标记，并基于这些有标记的样本重新训练SVM，之后再寻找易出错样本不断调
TSVM实现
优化算法
01-30 9981
# coding:utf-8 import numpy as np import sklearn.svm as svm from sklearn.externals import joblib import pickle from sklearn.model_selection import train_test_split,cross_val_score class TSVM(object):...
基于Sklearn实现TSVM与SVM对比
FelixWang的博客
07-04 5822
基于Sklearn实现TSVM与SVM对比 首先生成用于分类的数据，这里生成的是双月数据，生成数据的代码如下： def dbmoon(N=100, d=2, r=10, w=2): N1 = 10*N w2 = w/2 done = True data = np.empty(0) while done: #generate Rectangul...
时间序列支持向量机(TSVM)完整代码实践
最新发布
weixin_42627459的博客
08-13 933
时间序列支持向量机（Time Series Support Vector Machine, TSVM）是一种专门针对时间序列数据进行分类和预测的算法。TSVM在传统支持向量机（Support Vector Machine, SVM）的基础上，引入了时间序列的特性，优化了分类边界和超平面的计算方法，以适应数据的时序特性。通过考虑时间因素，TSVM能够更好地捕捉数据随时间变化的模式，提高了预测的准确性。在机器学习和数据分析中，特征提取是构建有效模型的关键步骤之一。
S3VM和TSVM的不同
01-11 6303
S3VM和TSVM的不同 转载：http://ycool.com/post/6vc4vf7 自己总结的一点学习心得，希望了解的人给予补充。 TSVM都是比较早的，后来的一般都叫S3VM。提出的人不一样。 Vapnik, 1998; Joachims, 1999) under the name Transductive Support Vector Machine (TSVM),
双平面支持向量机(TSVM)对偶问题的推导
qq_41513230的博客
03-29 3692
在双平面支持向量机中，我们希望找到两个非平行的超平面，使得其中 的一个平面距离某一类比较近而离另外一类尽可能的远，其描述可以表示 为： 其中AAA是正类样本组成的样本矩阵，BBB是负类样本组成的样本矩阵，w1,w2w_1,w_2w1​,w2​分别是要找到的两个平面的法向量，b1,b2b_1,b_2b1​,b2​是对应的偏置，ξ\xiξ是松弛变量, c1c_1c1​是需要调整的超参数, e1,e2e_1,e_2e1​,e2​是分别与正负样本数量对应的全1向量 引入拉格朗日乘子，得到的拉格朗日函数为： 其中
tsvm, 基于transductive支持向量机的我博客.zip
09-18
tsvm, 基于transductive支持向量机的我博客 tsvm本项目的目标是设计和运行数据科学实验，测试各种定向和半监督学习算法。TSVM理论是在我的博客 http://charlesmartin14.wordpress.com/2014/07/06/machine-learning-w
TSVM的库函数代码
03-20
利用matlab实现svm和TSVM的库；其中包含3个测试数据集，以及两个可执行程序。 完整版的TSVM实现，以供参考
SVM-Light资料，使用说明
04-18
SVM-Light详细使用说明，资料，SVM使用必备
西瓜书手搓TSVM对UCI数据集的预测以及与SVM的对比
m0_63531247的博客
11-06 451
TSVM使用SMO方法手搓实现
Boosting for Transfer Learning中的TSVM（有论文中的代码实现链接）
weixin_41831274的博客
12-27 435
TSVM和TrAdaboost - ICDI的文章 - 知乎 https://zhuanlan.zhihu.com/p/58305064
sheng的学习笔记-AI-半监督SVM（Semi-Supervised Support Vector Machine,简称S3VM），TSVM算法
coldstarry的专栏
08-26 862
半监督支持向量机（,简称S3VM）是支持向量机在半监督学习上的推广。在不考虑未标记样本时，支持向量机试图找到最大间隔划分超平面，而在考虑未标记样本后，S3VM试图找到能将两类有标记样本分开，且穿过数据低密度区域的划分超平面，如图13.3所示，这里的基本假设是“低密度分隔”(low-density separation)，显然，这是聚类假设在考虑了线性超平面划分后的推广。
（《机器学习》完整版系列）第13章 半监督学习——13.2 半监督SVM（SVM的进化路线）
qiy_icbc的博客
03-19 1034
沿着SVM的进化路线，不断改进SVM算法。 TSVM算法的思路是在SVM的外面套了一个搜寻$\hat{y}$，有意思的是它将惩罚因子也作为迭代的调整参数。本文从编程优化的角度讨论了TSVM 算法的来龙去脉，并给出了伪代码。
机器学习-周志华-个人练习13.4
qilixuening的博客
06-09 4519
13.4 从网上下载或自己编程实现TSVM算法，选择两个UCI数据集，将其中30%的样例用作测试样本，10%的样例用作有标记样本，60%的样例用作无标记样本，分别训练出利用无标记样本的TSVM以及仅利用有标记样本的SVM，并比较其性能。选择最常用的iris数据集，并以sciki-learn的SVM算法为基础建立TSVM，为了方便展示效果，选用iris数据集下的两个第二类和第三类，并将类标记记为-1，
TSVM学习
poilkj110的博客
11-24 6817
1主动学习 针对训练样本的处理方式的不同，可分成主动学习和被动学习。主动学习是指使用机器学习方法迭代地从候选集中以某种策略动态选择样本进行训练的过程。分类器主动向分类器之外的groundtruth进行查询来得到训练样本的标签 明天继续
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值