高维IDC数据集的支持向量机分类采用LeetCode随机特征映射方法，实现快速随机核化特征处理

颜色分类leetcode 高维IDC数据集的支持向量机分类 关于 随机特征图提供低维核近似，从而加速支持向量机的大规模数据集训练。 通过 k-means 聚类降维、随机特征图提升以及随后在该特征空间中的线性 SVM 分类，我们在高维浸润性导管癌数据集（7500 维）上的性能均优于标准高斯核 SVM准确性和速度。 我们探索应用两个随机图（随机傅立叶特征和随机分箱特征）并试验不同的预处理方法，如 k 均值聚类、HSV 变换和梯度直方图。 作者 电气与计算机工程系 计算机科学系 德克萨斯大学奥斯汀分校 德克萨斯大学奥斯汀分校 用法 使用python rf.py arg1=value arg2=value ...运行模块，其中参数作为关键字参数传递，由 '=' 连接并用空格分隔。 范围 默认 描述 训练 0.01 要使用的训练图像的百分比 测试 0.1 要使用的测试图像的百分比 调光 5000 特征空间维度 克恩 错误的 使用颜色 k 均值？ 克 5 使用方法数 核心 G 内核类型（“G”、“L”或“C”） 火车 -25 用于培训的患者人数 测试 25 用于测试的患者人数 核心 8 要使用的内