为何叫SVM支持向量机?及其有关求解实例

本文深入探讨支持向量机(SVM),包括距离计算、数据标签定义、优化目标、目标函数、拉格朗日乘子法等关键概念。通过实例解析,揭示为何称为支持向量机,以及支持向量对决策边界的影响。同时,讨论了ROC曲线、最佳阈值和核函数的重要性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目录

1、距离的计算 

2、数据标签的定义

3、优化目标

4、目标函数

5、拉格朗日乘子法

7、SVM求解

8、求偏导SVM求解

SVM求解实例

为何叫支持向量机?

实验现象:

当支持向量没有变化,无论添加多少样本数据,对最终的决策边界是没有影响的。


 超详细版数学推导过程见:https://blog.youkuaiyun.com/Pit3369/article/details/88941100

1、距离的计算 

 

 

注解:

  1. W:垂直于平面的法向量
  2. 点x’ x’’均在平面内,故满足平面方程,代入化简得出式子1
  3. (x’’-x’)表示平面内部的直线,“平面的法向量垂直于平面内的任意一条直线”,故得出式子2
  4. 点x到平面的距离,可等价于,一条直线(x-x’)相对于平面的竖直投影(dist)

向量X/模(X)==单位向量,竖直单位向量*直线(x-x’)长度==点x到平面的距离

又因为x’未知,但x’满足超平面方程,代入化解,得出最后结果

2、数据标签的定义

 

注解:

  1. Xi是数据集,Yi是标签。
  2. X正例,Y>0;X负例,Y<0。二化为一==数据X、标签Y同号时>0

3、优化目标

 

注解:

  1. 通俗解释:找到一条超平面,使得最近的点到该平面的距离相对的足够大
  2. 上一页PPT最后将两种情况归一化,使得Yi*Y(xi)恒>0,故可去掉绝对值。

4、目标函数

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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