李敖自己经常吹的一本书，闲暇之余看了一看。确实写得还不错，比较有个性，充满哲学思考。看来李敖赞美自己还是有点资本的。我对里面的诗印象很深刻，特别是谭嗣同的：

其一：
　　同住莲华语四禅，
　　空然一笑是横阗。
　　惟红法雨偶生色。
　　被黑罡风吹堕天。
　　大患有身无相定，
　　小言破道遣愁篇。
　　年来嚼蜡成滋味，
　　阑入楞严十种仙。

 

 

其二：

　　死生流转不相值，
　　天地翻时忽一逢。
　　且喜无情成解脱，
　　欲追前事已冥濛。
　　桐花院落乌头白，
　　芳草汀洲雁泪红。
　　再世金环弹指过，
　　结空为色又俄空。

 

还有唐才常就义的留言：

 

 

都是才子啊，诗章境界高远

 

 

 

一直觉得奇怪，使用svm_light进行分类的时候，用默认的linear 核函数竟然效果总是好于polynomial和rbf核函数。 本来是按直觉，用曲线建立分界面效果应该更好的，假如排除过拟合的问题的话。。。以前看过另外一篇机器学习的论文，他的效果也跟我的差不多，诡异。可惜这次需要使用实数特征，结果无法用原来的最大熵程序去对比了。

 

除核函数选取外，还尝试了不同的c对svm效果的影响。线形核函数基础上，将c设为10，结果训练了4个小时，汗，而且效果巨烂。跟线形核函数上c越大训练时间越长不同，rbf核函数上c越大训练时间越短。而且理论上来说，rbf的c越大，对训练数据的分类拟合越准确。所以又尝试了rbf和c=100,

但是。。。效果也巨烂，无语。

 

由于训练过程中反例是正例的10倍左右，故会存在严重的data imbalance问题，导致切分分数一般都是很大的负数。朱募华和水母AI版的同志们给了我一个建议，就是把所有的正例拿来和所有的负支持向量一起训练，而负支持向量可以在初始训练得到的模型中读出。后来我也尝试了这个方法，虽然效果没有本质上的变化，但是感觉比较有趣。

 

 

 

 

欲说还休，欲说还休~~

对自己说，一定要坚强。