支持向量机的参数cost怎么选择
matab支持向量机libsvm工具箱,里面的参数-p是不是理论知识里的不敏感...
p确实是episilon🐡_🐿🎫，但松弛因子是算法由原始问题转换为对偶问题后🦔🍃——♟，就不需要求解了😳-|🐉👺，因此不用在SVR里设置这个参数了🌲🦁————😤😵。对偶问题里仍包含episilon🌸|_♣🐏，因此需要这个参数🐂_——🐕🦺。
如Label=[1; -1],nSV=[63; 67],则标签为1的样本有63个支持向量🐌|-*🙈，标签为-1的有67个🙃🤡_🦨。sv_coef: 表示每个支持向量在决策函数中的系数👻--🐗。SVs: 表示所有的支持向量*😾-——😃，如果特征是n维的🎄_🤗，支持向量一共有m个♦♟-|🦎🐜，则为m x n的稀疏矩阵😸——🦕。另外🐑-_🎟🐟，如果在训练中使用了-v参数进行交叉验证时🐆_-⚾，返回的不是一个模型🌳🦚-😨♣，而是交叉验到此结束了？🦝|😆。
p确实是episilon🐡_🐿🎫，但松弛因子是算法由原始问题转换为对偶问题后🦔🍃——♟，就不需要求解了😳-|🐉👺，因此不用在SVR里设置这个参数了🌲🦁————😤😵。对偶问题里仍包含episilon🌸|_♣🐏，因此需要这个参数🐂_——🐕🦺。
如Label=[1; -1],nSV=[63; 67],则标签为1的样本有63个支持向量🐌|-*🙈，标签为-1的有67个🙃🤡_🦨。sv_coef: 表示每个支持向量在决策函数中的系数👻--🐗。SVs: 表示所有的支持向量*😾-——😃，如果特征是n维的🎄_🤗，支持向量一共有m个♦♟-|🦎🐜，则为m x n的稀疏矩阵😸——🦕。另外🐑-_🎟🐟，如果在训练中使用了-v参数进行交叉验证时🐆_-⚾，返回的不是一个模型🌳🦚-😨♣，而是交叉验到此结束了？🦝|😆。
在支持向量机（support vector machine）学习过程中😽🎿|-🦆，实际是一种对于成本函数(cost function)求解最优的过程🌾-——😺🦏。例如我们有一个数学模型的样子(structure)🤒——🐸，😬🦔_🪲，其中x是输入😎|😬，y是输出🦠🐱|🌍。如果我们已知🪡——_😷，那么我们可以根据任何输入x的值🤩-🐤😒，知道输出y的值🎫-😰。这叫预测(prediction)🐈-♣。因此🐨————🙀*，问题进化为🍃⛳——🎄🐌，我们手里有很还有呢？
监督学习是最常用的机器学习方法之一🐆--😔。在监督学习中🦙-|🧧🐔，算法从一组已知输入和输出数据中学习🐂——_🦙🐏，并使用这些数据来预测未知数据的输出😈——|🐅。常见的监督学习算法有*🎽——🐘🦇：线性回归逻辑回归支持向量机决策树和随机森林支持向量机朴素贝叶斯神经网络KNN 无监督学习是另一种常用的机器学习方法🐯🦆|🍁🎽。在无监督学习中🪄——-🐷，算法从后面会介绍🐇🌦-🦂。
奚宏生的主要论文及著作?？
1. Yin,B.Q., Li,Y.J., Zhou,Y.P., Xi,H.S.,Semi-Markov Decision Problems with Discounted-Cost Performance Criteria. Accepted by Automatica, 2004.2. 殷保群🐹--🤣😧，李衍杰😻|🐯🐷，奚宏生🐣_——🦊，周亚平🦓_🌘，一类可数Markov 控制过程的最优平稳策略.控制理论与应用录用. 2004.3. 李衍杰🏉😒——😟🦢，殷保群🙃🐽-🤭，奚宏生😲_-🎫，周亚平🌷🤕——|🤐🎍，一类连续时间是什么🎑-🦟🐤。
4⭐️👺-|🐥、支持向量机😇🤨__🦤*：【包】👺|_😉😕：e1071😩_🤐😅，kernlab 【函数】😲🦤-|🍀：svm(x_train,y_train,type="C-classification",cost=10,kernel="radial",probability=TRUE,scale=FALSE)svp=ksvm(x,y,type="C-svc",kernel="rbf",kpar=list(sigma=1),C=1)5🎯🐈——🧩🐺、无监督分类~聚类分析*🪆——🎏🦋：【包】😭_😣🐬：stats 【函数】🙊😼|*💀：系统聚类🐜*_🌸😠：..
怎么在libsvm安装包基础上进行特征加权?？
-totalSV: 表示支持向量的总数🐥😚||♦。rho: 决策函数wx+b中的常数项的相反数(-b)🦇🪄|-😪😒。Label: 表示数据集中类别的标签☹️🌎-🦓🕊，比如二分类常见的1和-1🤮——🎖👽。ProbA: 使用-b参数时用于概率估计的数值🤫*_——🌾，否则为空🧨🦠|🤫。ProbB: 使用-b参数时用于概率估计的数值🌗||🍂，否则为空🐘--🌏*。nSV: 表示每类样本的支持向量的数目♥_🦍，和Label的类别标签对应好了吧😒😕_——🐃🐣！