理解数学概念——支集(支持)(support)

浅谈元学习中的支持集和查询集 元学习的简单概念,支持集和查询集的概念 阅读详情

1.    支集(support)的定义

         在数学中,一个实函数 f 的支集(support)是函数的不被映射到 0 的元素域(即定义域)的子集。若 f  的(定义)域(domain)是一个拓扑空间(即符合拓扑的集合),则 f 的支集则定义为包含( f  的元素域中)不被映射到0的所有点之最小闭集。这个概念广泛应用于数学分析中。

    支集是一个函数、概率分布或随机变量在其上取非零值的点的集合。换言之,它描述了函数或分布在哪些点上“存在”或“起作用。” 这样的集合称为支集(support),这样的函数或概率分布则称为受支于(supported)该集合。“支持”可理解为支持“存在或起作用”的集合,在概率论中可理解为“支持度”。

2.    支集的公式化

假设  f:X \longrightarrow \mathbb{R}  是一个其域为任意集合 X 的实函数。则  f   的集合论支集(记为 supp( f  ))是 f 在其上取非零值的 X 的点之集合:

supp( f  ) = { x∈ X: f (x) ≠ 0 } 。

f 的支集是具有在X之子集的补集上 f 是0 这个属性的最小子集(即在其上全不为零的集合)。若对于除有限数量的点 x∈ X ,有 f (x) = 0 ,则称 f 具有有限支集(即在有限点除处不为0 )。如果集合 X 具有附加结构(例如,拓扑),则 f 的支集度可以类似地定义为 X 中适当类型的最小子集,使得 f 在其补集上以适当的意义消没。支集的概念也可以自然地扩展到取值范围比 ℝ 更广义的集合的函数,以及其他对象,例如测度或分布。

3.    闭支集

    闭支集最常出现在 X 是一个拓扑空间(例如,实线或 n 维 Euclid 空间) 且  f:X \longrightarrow \mathbb{R}  是一个连续的实(或复)函数的情况下。在这种情况下,f   的支集或(闭支集)在拓扑上定义为 X 的在其中非0的子集之闭包(取于X ),即 

\mathsf{supp}( f ) := \mathsf{cl}_{X}(\{ x\in X: f (x) \neq 0 \}) = \overline{f^{-1} (\{0\}^c)}   。

由于闭集之交集必为闭集,因此 supp( f  ) 是包含 f 的集合论支集的所有闭集之交集。注意,若函数  f:\mathbb{R}^{n} \supseteq X \longrightarrow \mathbb{R}  定义于一个开子集   X \subseteq \mathbb{R}^{n}  ,则闭包仍然针对  X   选择,而非针对周围的(ambient) \mathbb{R}^{n} 获取。例如,若 f  定义为  

\displaystyle f(x)= \left\{ \begin{array}{l}1-x^{2}(if \:\: |x| < 1) \\ \\ 0(if \:\: |x| \geq 1) \end{array}\right. ,

则  f  的支集(或闭支集) supp( f  ) 是闭区间 [-1,1] ,因为 f 在开区间 (-1,1)上非零,而这个开集间的闭包是 [-1,1] 。

    闭支集的概念通常适用于连续函数,但此定义对于基于拓扑空间的任意实函数或复函数均有意义,一些作者不要求  f   :X ⟶ ℝ   或 f   :X ⟶ ℂ   连续。

4.    紧支集(Compact support)

    一个拓扑空间 X 上具有紧支集的函数是那些其闭支集是 X 的一个紧致子集的函数。若 X 是实线(real line)或 n 维 Euclid 空间,则当且仅当一个函数具有有界支集的时候,其具有紧支集,因为当且仅当 \mathbb{R}^{n} 的一个子集闭且有界时,其是紧致的。

例如,上述定义的函数 f   :ℝ ⟶ ℝ   是一个具有紧支集  [-1,1] 的连续函数。若 f :\mathbb{R}^{n} \longrightarrow \mathbb{R} 是一个平滑函数,则因为  f    在开集 \mathbb{R}^{n}\backslash \mathsf{supp}( f ) 上恒为零 ,所有 f 的所有阶偏导数在 \mathbb{R}^{n}\backslash \mathsf{supp}( f ) 上也恒等于0 。

    紧支集的条件强于在无穷远处消没的条件。例如定义为

\displaystyle f(x)=\frac{1}{1+x^{2}} 

的函数  f   :ℝ ⟶ ℝ    在远穷远处消没,因为随着 | x | ⟶ ∞ 而有   f (x) ⟶0 ,但其支集  ℝ 不是紧致的。

         Euclid空间中的实值紧支持平滑函数称为凹凸函数(bump functions)。平滑化算子(Mollifiers)是凹凸函数的一个重要特例,因为它们可以在分布理论中用于通过卷积创建平滑函数序列,从而逼近非平滑(广义)函数。

         在理想情况下,具有紧支集的函数在无穷远处趋于零的函数空间中是稠密的,但这一性质需要一些技术工作才能在给定的例子中得到证明。作为更复杂例子的直觉,以及用极限的语言来说,对于任意 ε > 0 ,基于实线 ℝ 的在无穷远处消没的任意函数  f   ,可能通过选择 ℝ 的一个合适的紧子集 C  来逼近,使得对于任意 x∈ X ,有

| f (x) - I_{C} (x)f (x)| < \epsilon  ,

其中 I_{C} 是 C 的示性函数(indicator function)。紧致拓扑空间上的每一个连续函数都有紧支集,因为紧致空间的每一个闭子集确实是紧的。

5.    基本支集(Essential support)

    若 X 是一个具有一个 Borel 测度 μ 的拓扑测度空间(例如,配备了 Lebesgue测度的 \mathbb{R}^{n} 或其一个 Lebesgue 可测子集 ),则我们通常可以求得几乎处处有测度 μ (μ-almost everywhere)(简称为“几乎处处μ” ) 的相等函数。在那种情况下,一个可测函数 f   :X ⟶ ℝ  的基本支集(记为 ess supp( f  ))定义为 X 的使得后述条件成立的最小闭子集F,即在 F 之外几乎处处 μ 的 f = 0 。

ess supp( f  ):= X \∪{Ω∈X :Ω 是开集且在 Ω 中几乎处处 μ 的 f = 0  } 。

一个函数 f 的基本支集取决于测度 μ 以及基自身,它可能严格小于闭支集。例如,若 f :[0,1] ⟶ ℝ 是一个Dirichlet 函数(在非比数上为0,在比率数上为1) ,且[0,1]配备了 Lebesgue测度,则  f  支集是整个区间  [0,1] ,但  f  的基本支集是空,因为   f   是几乎处处等于零函数的函数。

    在数学分析中,当一个函数的基本支集与其闭支集不同时,我们几乎总是希望使用其基本支集而非其闭支集,因此  ess supp( f  ) 通常简记为 supp( f  ) 来指其支集。

6.    推广(Generalization)

    若 M 是一个包含 0 的任意集合,则支集的概念立即可推广至函数 f   :X ⟶ M   。支集也可以对具有幺元的任意代数结构定义(例如,群,独异点(monoid),或组合代数),在其中幺元元素充当了0的角色。例如,从自然数到整数的函数族 \mathbb{Z}^{\mathbb{N}} 是整数序列的不可数集。子族   \{ f \in \mathbb{Z}^\mathbb{N} : f 具有有限支集 \}  是仅有有限多个非零项的所有整数序列的可数集。

有限支集函数用于定义代数结构,例如群环和自由 Abel 群。

7.    概率和测度论中的支集

         在概率论中,概率分布的支持度(support)可以粗略地理解为服从该分布的随机变量的可能值集合的闭包。然而,在处理定义在 σ代数而非拓扑空间上的一般分布时,需要考虑一些微妙之处。

         更一般地,若 X :  Ω ⟶ ℝ  是 ( Ω ,ℱ, P ) 上的随机变量,则 X 的支集是使得 P(X\in \mathbb{R}_{X} ) = 1 的最小闭集 R_{X} \subseteq \mathbb{R} 。

然而,在实践中,一个离散随机变量X 的支集通常定义为集合

R_{X} = \{ x\in \mathbb{R} :P(X = x) > 0 \} ,

而一个连续随机变量 X 的支集定义为集合

R_{X} = \{ x\in \mathbb{R} :f_{X}(x) > 0 \}  ,

其中 f_{X}(x)   是X 的一个概率密度函数(集合论支集)。注意,词“支集”可以指一个概率密度函数的似然(likelihood)的对数。

8.    分布的支集

         我们也可以讨论分布的支集,例如实数轴上的Dirac δ函数δ(x)。在该例中,我们可以考虑试函数F,它是平滑函数,其支集不包括点0 。由于δ(F )(将分布δ作为线性泛函应用于F ) 对于此类函数为0 ,因此我们可以说δ的支集仅为 {0} 。由于实数轴上的测度(包括概率测度)是分布的特例,我们也可以用同样的方式讨论测度的支集。

         假设  f  是一个分布函数,且 U 是一个 Euclid 空间中的开集,其使得对于所有检验函数(test function) 𝜙  ,使得 𝜙 的支集包含于 U,f (𝜙) = 0 。则称 f 在 U上消没。现在,若 f 在一个任意开集族 U_{\alpha} 上消没,则对于受支于 \cup U_{\alpha} 上的任意检查函数 𝜙 ,则一个简单的基于 𝜙  的支集的紧致性论证以及一个单式分割也可证明 f (𝜙) = 0 。因此,我们可以定义 f 的支集为在其上 f 消没的最大开集之补集。例如,Dirac δ 函数的支集仅为 {0}。

9.    奇异集(Singular support)

在Fourier分析中,研究分布的奇异支集尤为有趣。它的直观解释是分布在这些点处不再是平滑函数。

    例如,Heaviside阶跃函数的Fourier变换除了在x = 0处,最多可以认为是1/x(一个函数)。虽然x = 0显然是一个特殊点,但更准确地说,该分布的变换具有奇异支集

{ 0 }:它不能准确地表示为与具有包括0支集的检验函数相关的函数。它可以表示为Cauchy主值广义积分的应用。

    对于多变量分布,奇异支集使我们能够定义波前集(wave front sets),并从数学分析的角度理解Huygens原理。奇异支集也可用于理解分布理论中的特殊现象,例如尝试“乘以”分布(对Dirac δ 函数进行平方失败——本质上是因为要乘以的分布的奇异集应该是不相交的)。

10.    支集族(Family of supports)

    基于一个拓扑空间 X 的一个支集族的抽象概念(适用于层理论(sheaf theory))由 Henri Cartan 定义。在将Poincaré对偶扩展到非紧流形时,“紧支集”思想自然地出现在对偶的一侧;例如参见Alexander–Spanier上同调。

    Bredon 在《层理论》(第二版,1997)中给出了这些定义。对于X 的闭子集族 Φ ,若它是下闭的,并且在有限并集下闭合,则其为一个支集族。其范围是 Φ 上的并集。一个仿紧化支集集族进一步满足:Φ 中的任何 Y,在子空间拓扑下,都是仿紧空间;并且 Φ 中存在某个 Z,它是其邻域。若 X 是局部紧空间,假设满足 Hausdorff 秩,则所有紧子集组成的族满足进一步的条件,使其成为仿紧化的。

 

支持向量回归(Support Vector Regression) 支持向量回归(Support Vector Regression) 支持向量机除了能够分类,还可以用于回归。 回归的目的是得到一个能够尽量拟合训练集样本的模型f(x)f(\mathbf{x})f(x),通常用的方法是构建一个样本标签与模型预测值的损失函数,使损失函数最小化从而确定模型f(x)f(\mathbf{x})f(x)。 例如,在线性回归模型中,损失函数(L2损失,L1损失,huber损失)由模型输出f(x)f(\mathbf{x})f(x)与真实输出yyy之间的差别来计算,通过最小化损失函数来确 阅读详情

相关推荐

【回归算法解析系列10】支持向量回归(Support Vector Regression, SVR)

SVR通过核技巧与ε带巧妙地平衡了模型复杂度与预测精度。RBF核在处理多数非线性问题时表现出色,能够有效地拟合复杂的数据分布;而线性核则在大规模数据计算中展现出优势,通过简化计算过程,提高了模型的训练效率。支持向量占比为我们提供了一个重要的指标,它反映了数据的内在结构和维度,有助于我们进行特征工程,优化模型性能。

熵数实验室 2762

一图了解支撑集

上图是我自己的理解,不对的地方请指点 感觉很多人都在反复的复制维基百科和百度百科的解释,并没有自己通俗理解, http://blog.sina.com.cn/s/blog_614cba320101bszn.html可以看一下 Suppose that f : X→RX → RX→R is a real-valued function whose domain is an arbitrary set XXX. The set-theoretic support of fff, written supp(f).

weixin_45562000的博客 8352

Vector Support实战指南:从工具链支持到编程与虚拟化配置

在嵌入式系统与汽车电子开发中,对软硬件工具链的深度支持是保障项目顺利进行的关键。其核心原理在于通过驱动、授权、API接口与系统环境的正确配置,实现开发工具与目标硬件的稳定通信与功能调用。这种支持的技术价值在于能显著提升开发效率、测试自动化程度与系统集成可靠性。典型的应用场景包括汽车总线(如CAN、Ethernet)仿真测试、自动化测试用例编写、硬件在环(HIL)以及持续集成流水线。本文聚焦于Vector工具链生态,针对高频出现的“virtualization support not detected”和“l

weixin_34293141的博客 645

函数的支集、支撑集、support、supp

今日看到数学公式中出现了supp的符号,虽然知道是support的缩写,却忘记了是什么含义,百度了一番,未果,google了一下发现是支集的意思,于是写一个小的博客,下次也知道是什么意思。 wiki解释:http://zh.wikipedia.org/wiki/%E6%94%AF%E6%92%91%E9%9B%86

hqh45的专栏 3万+

支持向量机(Support Vector Machines) 原理与代码实例讲解

支持向量机(Support Vector Machines) - 原理与代码实例讲解 1. 背景介绍 1.1 问题的由来 在机器学习和统计模式识别领域,分类问题是基本且重要的任务之一。在许多情况下

AI天才研究院 1358

支持向量机 (Support Vector Machine)

支持向量机 (Support Vector Machine) 作者:禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来

AI天才研究院 713

基本概念:支撑集 support set 和支撑 support

在数学中,一个定义在集合X上的实值函数f的支撑集,或简称支集,是指X的一个子集,满足f恰好在这个子集上非0。最常见的情形是,X是一个拓扑空间,比如实数轴等等,而函数f在此拓扑下连续。此时,f的支撑集被定义为这样一个闭集C:f在X\C中为0,且不存在C的真闭子集也满足这个条件,即,C是所有这样的子集中最小的一个。拓扑意义上的支撑集是点集意义下支撑集的闭包。特别地,在概率论中,一个概率分布是随机变量的...

weixin_43335260的博客 2万+

ADRV9026初始化避坑指南:手把手调试PostMcsInit常见故障

本文详细解析了ADRV9026多片同步初始化过程中的PostMcsInit常见故障,包括时钟校准失败、JESD链路建立问题和ARM核通信异常等。通过实际项目经验,提供了硬件检查清单、软件配置要点和分层诊断方法,帮助工程师快速定位和解决问题,提升系统稳定性。

hadoop5ranger的博客 625

supp(),支持集理解

support支持集

Lcx559的博客 1891

告别米级误差:手把手教你用Nordic nRF52840实现厘米级蓝牙测距(Channel Sounding实战)

本文详细介绍了如何利用Nordic nRF52840开发板和蓝牙信道探测(Channel Sounding)技术实现厘米级高精度测距。通过硬件配置、软件优化和实战案例,帮助开发者快速掌握低功耗蓝牙测距技术,适用于工业自动化、智能仓储等场景。

weixin_42741930的博客 479

从工业夹爪到Shadow Hand:一文看懂机器人灵巧手的硬件进化史(附避坑指南)

本文详细解析了机器人灵巧手从工业夹爪到Shadow Hand的硬件进化历程,涵盖刚性夹持器、自适应夹持器到多指灵巧手的技术突破。文章还提供了选购指南与技术避坑策略,帮助读者根据操作复杂度和环境结构化程度选择最适合的解决方案,适用于制造业、医疗和服务业等多个领域。

weixin_29074409的博客 488

学习SVM(四) 理解SVM中的支持向量(Support Vector)

我们在开始接触SVM时肯定听到过类似这样的话,决定决策边界的数据叫做支持向量,它决定了margin到底是多少,而max margin更远的点,其实有没有无所谓。 然后一般会配一张图说明一下哪些是支持向量(Support Vector),这个图在之前的学习SVM(二) 如何理解支持向量机的最大分类间隔里面就有,这里不在重复贴了。但是问题的关键是,这些Support Vector是怎么被确定的呢?

zhangxu 3万+

【斯坦福计网CS144项目】环境配置 & Lab0: ByteStream

前言 感觉学了不少 C++ 编程的知识和技术但比较缺少实践,于是打算找一些项目跟着做一做。 首先安利一个自学网站 CS自学指南,北大的同学做的,汇总了很多国内外高校 CS 相关的高质量公开课,其中大部分是有课程项目的。翻了翻感觉 Stanford 的这门 CS144 计网课的 Lab 比较有趣,难度也不错,就是它了! 课程网址:CS 144: Introduction to Computer Networking 我跟的是 2021 Fall 学期的版本。 准备工作 在上面的网站中先把 8 个实验的文档(

アルタイル 8166

支持向量机与支持向量回归(support vector machine and support vector regression)

支持向量机和支持向量回归是目前机器学习领域用得较多的方法,不管是人脸识别,字符识别,行为识别,姿态识别等,都可以看到它们的影子。在我的工作中,经常用到支持向量机和支持向量回归,然而,作为基本的理论,却没有认真地去梳理和总结,导致有些知识点没有彻底的弄明白。这篇博客主要就是想梳理一遍支持向量机和支持向量回归的基础理论知识,一个是笔记,另一个是交流学习,便于大家共勉。凸集、凸函数、凸优化凸集:如果集合...

Aoulun的博客 3万+

TensorFlow实战:5步搞定因果推断模型TARNet(附完整代码)

本文提供了一份基于TensorFlow的TARNet因果推断模型实战指南。通过五个清晰步骤,从数据预处理、模型构建到训练评估,详细讲解了如何利用深度模型解决营销评估、疗效分析等场景中的因果效应估计问题,并附有完整代码解决样本不平衡等工程挑战。

python9snake的博客 420

SAP EWM 内向交货流程(一)

本文介绍了SAP EWM系统中内向交货单的基本配置与操作流程。

huqinghai的专栏 2403

吴恩达机器学习之支持向量机(Support Vector Machines)(三): 大边界分类背后的数学(选修)(详细笔记,建议收藏,已有专栏)

吴恩达机器学习栏目清单 专栏直达:https://blog.youkuaiyun.com/qq_35456045/category_9762715.html 文章目录12.3大边界分类背后的数学(选修) 12.3大边界分类背后的数学(选修) 参考视频: 12 - 3 - Mathematics Behind Large Margin Classification (Optional) (20 min).mkv...

汪雯琦的博客 517

深入解析AndroidManifest.xml与device_admin.xml:打造完美DeviceOwner应用配置

本文深入解析了Android企业级开发中DeviceOwner应用的核心配置文件AndroidManifest.xml与device_admin.xml。详细阐述了如何精准声明DeviceAdminReceiver、定义管理策略,并提供了通过ADB命令进行设置与验证的实战指南,帮助开发者构建权限完整、配置正确的设备所有者应用。

ice55的博客 682

支持向量机 (Support Vector Machines, SVM)

支持向量机是一种功能强大的分类算法,尤其在维度较高的数据集上表现良好。能够处理高维空间。通过核技巧,能够处理非线性分类任务。对少量样本和稀疏数据较为有效。理解SVM的核心,在于理解它是如何通过最大化间隔来实现分类以及如何利用支持向量来影响模型的最终决策。xiyi∣xi∈Rnyi∈−11i12m{(xi​yi​∣xi​∈Rnyi​∈−11i12m我们要找到一个超平面把数据分开。w⋅xb0w⋅。

m0_60388871的博客 1702

实战分享:如何用Java调用Doris FE接口实现高效Stream Load数据导入(附完整代码)

本文详细介绍了如何通过Java调用Doris FE接口实现高效的Stream Load数据导入,包含完整代码示例和性能优化技巧。Stream Load作为Doris的高效数据导入方式,相比传统JDBC提升5-10倍速度,适用于大规模数据处理场景,帮助开发者解决高吞吐量数据导入挑战。

weixin_29304985的博客 419

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

支持向量机(Support Vector Machine SVM)

1.摘要 这篇文章主要介绍支持向量机的有关内容,主要包括支持向量机的推导,支持向量机的特性,支持向量机简单的数学原理介绍,核函数,最后还对比了一下逻辑回归,支持向量机,神经网络,简单说明他们各自的适用情况。 关键词:支持向量机,核函数。 2.正文 2.1支持向量机的引入推导 支持向量机是一种强大的拟合非线性方程的工具,首先介绍一下它的引入。 由前面学习,我们可以知道,对于逻辑回归的一组样本,我们有代价函数:J(θ)=−ylog11+eθTx−(1−y)log(1−11+eθTx)J(\theta)=-ylo

xd1501013的博客 940

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

【机器学习】Support Vertor Machine 支持向量机算法详解 + 数学公式推导 + Python代码实战

支持向量机(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)它将实例的特征向量映射为空间中的一些点,SVM 的目的就是想要画出一条线,以 “最好地” 区分这两类点,以至如果以后有了新的点,这条线也能做出很好的分类。SVM 适合中小型数据样本、非线性

知不足而奋进,望远山而前行 2万+

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

【机器学习】 SVM(Support Vector Machine)——支持向量机(上)

1.线性SVM

Zhang_Chen_的博客 814

[Machine Learning] 10 支持向量机(Support Vector Machines)

点Ta10 Support Vector Machines(支持向量机)10.1 Optimization Objective(优化目标) 10 Support Vector Machines(支持向量机) 10.1 Optimization Objective(优化目标) 在监督学习中,许多学习算法的性能都非常类似,因此,重要的不是该选择使用学习算法 A 还是学习算法 B,而是应用这些算法时,所创建的大量数据表现情况通常依赖于你的水平。比如:你为学习算法所设计的特征量的选择,以及如何选择正则化参数,诸

今天你DEBUG了吗 646

【R模型】R语言支持向量机模型(Support Vector Machines)

R语言支持向量机

R酷的数据科学笔记 4263
上一篇: Lebesgue测度和积分理论发展概观
下一篇: 理解数学概念——幂律(power law)
ComputerInBook
博客等级 码龄19年 1168粉丝 465原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值