超级会员免费看
本文介绍了凸优化的基础知识，包括凸函数、凸优化问题和凸二次规划，并通过Python的cvxopt库探讨了二次规划问题的求解。接着，文章深入讲解了支持向量机（SVM）的L2-SVM理论和Iris数据集的应用，展示了如何使用cvxopt解决SVM中的拉格朗日乘子问题。最后，对比了np.dot()、np.matmul()、np.multiply()、*和@在矩阵运算中的区别。
| Python凸优化求解cvxopt包+实战SVM+补充np.dot, np.matmul, np.multiply! |
文章目录
一. 预备知识
- 约束优化问题：
min w f ( w ) s.t. g i ( w ) ≤ 0 ( i = 1 , … , k ) (1) \begin{array}{c}{\min _{w} f(w)} \\\\ {\text { s.t. } g_{i}(w) \leq 0 \quad(i=1, \ldots, k)}\end{array}\tag{1}
订阅专栏 解锁全文
扫一扫
评论 12
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
