SVM原理及公式推导

最新推荐文章于 2023-02-07 10:16:43 发布

仰望星空--123

最新推荐文章于 2023-02-07 10:16:43 发布

阅读量450

点赞数

文章标签：支持向量机人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/Jenny_BigData/article/details/127872864

版权

本文介绍了支持向量机（SVM）的基本概念，包括它如何通过最大边距超平面实现线性可分和非线性可分样本的分类。SVM在解决非线性问题时，利用核函数将数据映射到高维空间，以找到最佳分类边界。总结了SVM在线性可分和非线性可分情况下的工作原理，并探讨了核函数在SVM中的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

SVM原理及公式推导

1. SVM总结

支持向量机（SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，可以将问题化为一个求解凸二次规划的问题。与逻辑回归和神经网络相比，支持向量机，在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。

具体来说就是在线性可分时，在原空间寻找两类样本的最优分类超平面。在线性不可分时，加入松弛变量并通过使用非线性映射将低维度输入空间的样本映射到高维度空间使其

在这里插入图片描述

2. 线性可分的SVM

在这里插入图片描述

在这里插入图片描述
## 3. 非线性可分

在这里插入图片描述

4. 核函数

在这里插入图片描述

5. 总结

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。