Quick Launch图标点击后出现软件属性，却大不开软件？# Windows - 看得见风景的窗口
c*h
1 楼
对任何一个可以拓展到用kernel的算法，一般来说怎么选kernel和怎么定kernel
里面的参数？除了试个遍，有没有什么理论或者intuition可以在实际做之前大
概预想一下用什么kernel会出什么结果？
里面的参数？除了试个遍，有没有什么理论或者intuition可以在实际做之前大
概预想一下用什么kernel会出什么结果？
c*g
2 楼
左键点击效果和右键然后选择properties效果一样，死活不能打开软件。
突然出现的毛病，刚刚还好的。
突然出现的毛病，刚刚还好的。
K*n
3 楼
要说model selection,可以用cross validation之类的办法. Bayesian model
selection也可以用,不过不同的model难易度不同,如果用monte carlo的话倒基本什么
都能估算.
要说参数优化,最好是列出likelihood之后能求导,求不出来的话就要大家各显神通了,
比如找lower bound, 用variational inference, 还有拉格郎日啊.不过不知道多少人
真的自己develope这些东西.
要有intuition,还得看具体什么问题,否则差别可大了. 不过其实我也没太搞过kernel
【在 c*******h 的大作中提到】
: 对任何一个可以拓展到用kernel的算法，一般来说怎么选kernel和怎么定kernel
: 里面的参数？除了试个遍，有没有什么理论或者intuition可以在实际做之前大
: 概预想一下用什么kernel会出什么结果？
selection也可以用,不过不同的model难易度不同,如果用monte carlo的话倒基本什么
都能估算.
要说参数优化,最好是列出likelihood之后能求导,求不出来的话就要大家各显神通了,
比如找lower bound, 用variational inference, 还有拉格郎日啊.不过不知道多少人
真的自己develope这些东西.
要有intuition,还得看具体什么问题,否则差别可大了. 不过其实我也没太搞过kernel
【在 c*******h 的大作中提到】
: 对任何一个可以拓展到用kernel的算法，一般来说怎么选kernel和怎么定kernel
: 里面的参数？除了试个遍，有没有什么理论或者intuition可以在实际做之前大
: 概预想一下用什么kernel会出什么结果？
c*h
4 楼
我比较钝，完全听不懂。。。
举个最简单的例子，我想用kernel svm分基因，那是应该用polynomial kernel呢还是
rbf kernel呢？用polynomial kernel的话用多少阶的呢？用rbf kernel的话用多大
variance的呢？
我就是想在实验之前先有个感觉，而不是所有都试一遍，哪个好就哪个，换一个数据
集又一切重来。凡方法总有优缺点，适用范围。即使只是比较polynomial和rbf两个
kernel，那它们相比较，孰优孰劣呢？
主要是觉得kernel越来越流行，但好像基本上都是盲试啊
kernel
【在 K****n 的大作中提到】
: 要说model selection,可以用cross validation之类的办法. Bayesian model
: selection也可以用,不过不同的model难易度不同,如果用monte carlo的话倒基本什么
: 都能估算.
: 要说参数优化,最好是列出likelihood之后能求导,求不出来的话就要大家各显神通了,
: 比如找lower bound, 用variational inference, 还有拉格郎日啊.不过不知道多少人
: 真的自己develope这些东西.
: 要有intuition,还得看具体什么问题,否则差别可大了. 不过其实我也没太搞过kernel
举个最简单的例子，我想用kernel svm分基因，那是应该用polynomial kernel呢还是
rbf kernel呢？用polynomial kernel的话用多少阶的呢？用rbf kernel的话用多大
variance的呢？
我就是想在实验之前先有个感觉，而不是所有都试一遍，哪个好就哪个，换一个数据
集又一切重来。凡方法总有优缺点，适用范围。即使只是比较polynomial和rbf两个
kernel，那它们相比较，孰优孰劣呢？
主要是觉得kernel越来越流行，但好像基本上都是盲试啊
kernel
【在 K****n 的大作中提到】
: 要说model selection,可以用cross validation之类的办法. Bayesian model
: selection也可以用,不过不同的model难易度不同,如果用monte carlo的话倒基本什么
: 都能估算.
: 要说参数优化,最好是列出likelihood之后能求导,求不出来的话就要大家各显神通了,
: 比如找lower bound, 用variational inference, 还有拉格郎日啊.不过不知道多少人
: 真的自己develope这些东西.
: 要有intuition,还得看具体什么问题,否则差别可大了. 不过其实我也没太搞过kernel
K*n
5 楼
你指的盲试是cross validation吗? 这确实是最直白的方法.不过用CV选的model换个
dataset不用重新选啊.
svm 的 kernel optimization 我没琢磨过,不会没人研究过的,好好找找吧.
你可以把kernel画出来, 看看长什么样儿,再想想自己的数据怎么假设比较好. 选
kernel有时候确实是取决于你主观上对data的认识,比如两个data point之间的
covariance倒底是不是spatially invariant,之类的.
dataset不用重新选啊.
svm 的 kernel optimization 我没琢磨过,不会没人研究过的,好好找找吧.
你可以把kernel画出来, 看看长什么样儿,再想想自己的数据怎么假设比较好. 选
kernel有时候确实是取决于你主观上对data的认识,比如两个data point之间的
covariance倒底是不是spatially invariant,之类的.
l*o
6 楼
no specific reason to choose rbf or poly kernel.
but usually rbf is preferable, but it requires extra computation
model selection is usually done by cross-validation
but i think you also have to estimate model parameters, right?
sometimes this can be done analytically.
【在 c*******h 的大作中提到】
: 我比较钝，完全听不懂。。。
: 举个最简单的例子，我想用kernel svm分基因，那是应该用polynomial kernel呢还是
: rbf kernel呢？用polynomial kernel的话用多少阶的呢？用rbf kernel的话用多大
: variance的呢？
: 我就是想在实验之前先有个感觉，而不是所有都试一遍，哪个好就哪个，换一个数据
: 集又一切重来。凡方法总有优缺点，适用范围。即使只是比较polynomial和rbf两个
: kernel，那它们相比较，孰优孰劣呢？
: 主要是觉得kernel越来越流行，但好像基本上都是盲试啊
:
: kernel
but usually rbf is preferable, but it requires extra computation
model selection is usually done by cross-validation
but i think you also have to estimate model parameters, right?
sometimes this can be done analytically.
【在 c*******h 的大作中提到】
: 我比较钝，完全听不懂。。。
: 举个最简单的例子，我想用kernel svm分基因，那是应该用polynomial kernel呢还是
: rbf kernel呢？用polynomial kernel的话用多少阶的呢？用rbf kernel的话用多大
: variance的呢？
: 我就是想在实验之前先有个感觉，而不是所有都试一遍，哪个好就哪个，换一个数据
: 集又一切重来。凡方法总有优缺点，适用范围。即使只是比较polynomial和rbf两个
: kernel，那它们相比较，孰优孰劣呢？
: 主要是觉得kernel越来越流行，但好像基本上都是盲试啊
:
: kernel
c*h
7 楼
说白了就是缺乏直观的或者理论的认识，不知道各种kernel长的什么样。统计上来说，
cross validation只不过是给一些数字来convince大家说对目前的数据集这个好那个不
好，但没有说出来各个model的本质是什么。
举个例子，（当然很有可能是不对的，）如果一个数据集原来的decision boundary
是正态分布曲面形状的，用rbf kernel可以将数据映射成线性可分的，那对rbf
kernel的认识就立马深刻多了。如果我觉得数据的decision boundary跟这个差很远
的，那我就根本想都不想rbf kernel了。这样不是很好？
【在 K****n 的大作中提到】
: 你指的盲试是cross validation吗? 这确实是最直白的方法.不过用CV选的model换个
: dataset不用重新选啊.
: svm 的 kernel optimization 我没琢磨过,不会没人研究过的,好好找找吧.
: 你可以把kernel画出来, 看看长什么样儿,再想想自己的数据怎么假设比较好. 选
: kernel有时候确实是取决于你主观上对data的认识,比如两个data point之间的
: covariance倒底是不是spatially invariant,之类的.
cross validation只不过是给一些数字来convince大家说对目前的数据集这个好那个不
好，但没有说出来各个model的本质是什么。
举个例子，（当然很有可能是不对的，）如果一个数据集原来的decision boundary
是正态分布曲面形状的，用rbf kernel可以将数据映射成线性可分的，那对rbf
kernel的认识就立马深刻多了。如果我觉得数据的decision boundary跟这个差很远
的，那我就根本想都不想rbf kernel了。这样不是很好？
【在 K****n 的大作中提到】
: 你指的盲试是cross validation吗? 这确实是最直白的方法.不过用CV选的model换个
: dataset不用重新选啊.
: svm 的 kernel optimization 我没琢磨过,不会没人研究过的,好好找找吧.
: 你可以把kernel画出来, 看看长什么样儿,再想想自己的数据怎么假设比较好. 选
: kernel有时候确实是取决于你主观上对data的认识,比如两个data point之间的
: covariance倒底是不是spatially invariant,之类的.
K*n
8 楼
嗯,是,一般都建议 always look at your data first, plot your data, use simple
technique to analyze your data 之类的, 就是你说的,要先混个脸儿熟
technique to analyze your data 之类的, 就是你说的,要先混个脸儿熟
S*t
9 楼
你说的这些对高维的数据根本没用，比如doc classification
simple
【在 K****n 的大作中提到】
: 嗯,是,一般都建议 always look at your data first, plot your data, use simple
: technique to analyze your data 之类的, 就是你说的,要先混个脸儿熟
simple
【在 K****n 的大作中提到】
: 嗯,是,一般都建议 always look at your data first, plot your data, use simple
: technique to analyze your data 之类的, 就是你说的,要先混个脸儿熟
K*n
10 楼
那怎么办
【在 S*******t 的大作中提到】
: 你说的这些对高维的数据根本没用，比如doc classification
:
: simple
【在 S*******t 的大作中提到】
: 你说的这些对高维的数据根本没用，比如doc classification
:
: simple
p*e
11 楼
理论上每个模型确实存在一个最优的参数，这个参数一般是由你样本来自的概率分布决
定的。实际中那个概率分布没法知道。于是我们还是只能通过cross validation来获得。
至于选哪种核的问题，还是跟那个概率分布有关。rbf核的好处是decision boundary可
以逼近任意连续函数，所以适应性很广（bias偏小）。但是这种核得到的boundary较复
杂(variance较大)，如果decision boundary能被低阶多项式甚至线性函数刻画时，低
阶的多项式核效果会更好。到底哪种核更合适，还是只能由cross validation知道。
定的。实际中那个概率分布没法知道。于是我们还是只能通过cross validation来获得。
至于选哪种核的问题，还是跟那个概率分布有关。rbf核的好处是decision boundary可
以逼近任意连续函数，所以适应性很广（bias偏小）。但是这种核得到的boundary较复
杂(variance较大)，如果decision boundary能被低阶多项式甚至线性函数刻画时，低
阶的多项式核效果会更好。到底哪种核更合适，还是只能由cross validation知道。
c*h
12 楼
好
不过逼近任意连续函数这个我有点怀疑。让我想想
得。
【在 p****e 的大作中提到】
: 理论上每个模型确实存在一个最优的参数，这个参数一般是由你样本来自的概率分布决
: 定的。实际中那个概率分布没法知道。于是我们还是只能通过cross validation来获得。
: 至于选哪种核的问题，还是跟那个概率分布有关。rbf核的好处是decision boundary可
: 以逼近任意连续函数，所以适应性很广（bias偏小）。但是这种核得到的boundary较复
: 杂(variance较大)，如果decision boundary能被低阶多项式甚至线性函数刻画时，低
: 阶的多项式核效果会更好。到底哪种核更合适，还是只能由cross validation知道。
不过逼近任意连续函数这个我有点怀疑。让我想想
得。
【在 p****e 的大作中提到】
: 理论上每个模型确实存在一个最优的参数，这个参数一般是由你样本来自的概率分布决
: 定的。实际中那个概率分布没法知道。于是我们还是只能通过cross validation来获得。
: 至于选哪种核的问题，还是跟那个概率分布有关。rbf核的好处是decision boundary可
: 以逼近任意连续函数，所以适应性很广（bias偏小）。但是这种核得到的boundary较复
: 杂(variance较大)，如果decision boundary能被低阶多项式甚至线性函数刻画时，低
: 阶的多项式核效果会更好。到底哪种核更合适，还是只能由cross validation知道。
s*e
13 楼
逼近任意连续函数任何exponential的kernel都可以啊。
你自己也说了这种boundary较复杂了，难道你连最基本
的overfitting理论都不知道吗？
得。
【在 p****e 的大作中提到】
: 理论上每个模型确实存在一个最优的参数，这个参数一般是由你样本来自的概率分布决
: 定的。实际中那个概率分布没法知道。于是我们还是只能通过cross validation来获得。
: 至于选哪种核的问题，还是跟那个概率分布有关。rbf核的好处是decision boundary可
: 以逼近任意连续函数，所以适应性很广（bias偏小）。但是这种核得到的boundary较复
: 杂(variance较大)，如果decision boundary能被低阶多项式甚至线性函数刻画时，低
: 阶的多项式核效果会更好。到底哪种核更合适，还是只能由cross validation知道。
你自己也说了这种boundary较复杂了，难道你连最基本
的overfitting理论都不知道吗？
得。
【在 p****e 的大作中提到】
: 理论上每个模型确实存在一个最优的参数，这个参数一般是由你样本来自的概率分布决
: 定的。实际中那个概率分布没法知道。于是我们还是只能通过cross validation来获得。
: 至于选哪种核的问题，还是跟那个概率分布有关。rbf核的好处是decision boundary可
: 以逼近任意连续函数，所以适应性很广（bias偏小）。但是这种核得到的boundary较复
: 杂(variance较大)，如果decision boundary能被低阶多项式甚至线性函数刻画时，低
: 阶的多项式核效果会更好。到底哪种核更合适，还是只能由cross validation知道。
w*g
14 楼
如果你的输入可以表示成简单的向量的话，其实试一下linear kernel和rbf就可以了。
我自己的经验是预测结果主要看数据的难易，kernel影响不大（我组要和高维数据打交
道）。这一点来说SVM还是很不错的。
【在 c*******h 的大作中提到】
: 对任何一个可以拓展到用kernel的算法，一般来说怎么选kernel和怎么定kernel
: 里面的参数？除了试个遍，有没有什么理论或者intuition可以在实际做之前大
: 概预想一下用什么kernel会出什么结果？
我自己的经验是预测结果主要看数据的难易，kernel影响不大（我组要和高维数据打交
道）。这一点来说SVM还是很不错的。
【在 c*******h 的大作中提到】
: 对任何一个可以拓展到用kernel的算法，一般来说怎么选kernel和怎么定kernel
: 里面的参数？除了试个遍，有没有什么理论或者intuition可以在实际做之前大
: 概预想一下用什么kernel会出什么结果？
p*e
15 楼
用rbf核的时候，overfitting靠参数来控制
【在 s******e 的大作中提到】
: 逼近任意连续函数任何exponential的kernel都可以啊。
: 你自己也说了这种boundary较复杂了，难道你连最基本
: 的overfitting理论都不知道吗？
:
: 得。
【在 s******e 的大作中提到】
: 逼近任意连续函数任何exponential的kernel都可以啊。
: 你自己也说了这种boundary较复杂了，难道你连最基本
: 的overfitting理论都不知道吗？
:
: 得。
s*t
16 楼
If you really care about the intuition/theory behind the kernel, you should
design your own custom kernel, which will likely better fit your problem and
data.
design your own custom kernel, which will likely better fit your problem and
data.
相关阅读
一个叫 system 的进程占用 50％ CPU 是怎么回事？请教有关header file的几个问题这不是踢版，请问:ATI MOBILITY RADEON HD 3450在WINDOWS XP下的软件? (转载)笔记本买了一年多了，现在风扇老吹风，有什么办法吗？Re: PC ads :)求救！！电脑死了问一下看XP运行了多少时间是在哪里看啊？谢谢问个弱智的问题help: forgot my windows xp passwordMUI 和 vista 中文界面的解决方法大家帮我看看media player 11怎么回事啊？谢谢请问有没有免费的基于Windows的系统/网络性能监控软件 (转载)为什么我的·全屏application总会自动缩小？公司的电脑,带到家里怎么不能算上网?when overwrites a file in windows, how to generate an old copy automatically ?请教无线的怪问题Thinkpad X60开机慢求助is there a way to play vista game on xp?Vista Home版本下中文显示问题