本文详细介绍了SVM分类器的基本概念，包括经验风险、置信风险等，并阐述了SVM通过寻找最优超平面来实现分类的方法。此外，还讨论了如何使用核函数将低维不可分的数据映射到高维空间以实现线性可分，以及在不可完全分离的情况下引入松弛变量的策略。最后，介绍了SMO优化算法的具体实现过程。
1.经验风险：分类器在给定样本上的误差
置信风险：分类器在未知样本上分类的结果的可信任程度
2.SVM分类器本质：寻找一个最优超平面，使得离超平面较近的点能有更大的间距，即寻找最优间隔
3.核函数：将在低维空间不可分样本映射到高维空间，从而可分。若经核函数映射仍不可分，则引入松弛变量
4.优化算法SMO
由原始的优化间隔问题经对偶转化为最后的优化问题，引入拉格朗日乘子。
每一次采用启发式方法选两个参数优化：优先选择样本前面系数在区间（0，C）的作优化，因为在界上的样例对应的系数一般不会更改。
5.最后收敛条件是在区间（0，C）内的样例都能遵循KTT条件，且其对应的系数只在极小的范围内变动。
SVM分类器详解可参考：http://www.blogjava.net/zhenandaci/
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
