我很好奇能够更好地控制SVM的结果。
试图搜索文档，但找不到似乎也这样做的函数。
答案 0 :(得分：2)
可以说SVM没有隐藏节点，但这只是部分正确。
SVM最初被称为支持向量网络（这是Vapnik自己称之为），它们被视为一种具有单个隐藏层的神经网络。由于神经网络在这个时代的普及，直到今天很多人都使用sigmoid“kernel”，即使它很少是有效的Mercer内核（只是因为NN社区习惯使用它们才开始使用它们）这样做即使它没有数学上的理由）。
SVM是否也是神经网络？是的，可以被视为神经网络。实际上，通过这种棱镜可以看到许多分类器。然而，使SVM真正与众不同的是它们的训练和参数化方式。特别是，SVM使用“激活函数”，它们是有效的Mercer内核（它们在某些空间中表示点积）。此外，隐藏节点的权重等于训练样本，因此您获得与训练示例相同数量的隐藏单位。在训练过程中，SVM本身通过解决“偏好”稀疏解决方案（删除隐藏单元）的优化问题来减少隐藏单元的数量，从而最终得到由训练样本子集组成的隐藏层< / strong>，我们称之为支持向量。为了强调，这不是SVM的经典视图，但它是一个有效的视角，这可能更容易被NN社区的人理解。
那么你可以控制这个数字吗？是的，不是。不，因为SVM需要所有这些隐藏的单元具有有效的优化问题，并且它将自己删除所有冗余的单元。是的，因为有一个替代优化问题，称为nu-SVM，它使用nu-hyperparamer，它是支持向量的下限，因此隐藏单位的下限。不幸的是，你不能直接指定上限。
但我真的需要！如果是这种情况，您可以使用符合您限制的近似解决方案。您可以使用明确逼近内核空间的H - 维度采样器（http://scikit-learn.org/stable/modules/kernel_approximation.html）。其中一种方法是Nystroem方法。简而言之，如果你想拥有“H隐藏单位”，你只需要使用Nystroem模型来生成H维度输出，你可以通过它转换输入数据，并适合线性SVM 在上面。从数学的角度来看，**近似于具有给定内核的真实非线性SVM，但速度非常慢。