机器学习笔记 - 支持向量机(SVM)背后的数学一

本文介绍了支持向量机(SVM)的基本概念,包括SVM作为监督学习模型的作用,SVM家族的分类和回归任务,以及SVM的目标——找到最大化边距的最优分离超平面。解释了分离超平面、最优超平面和边距的概念,并讨论了这些概念在实际分类中的意义。

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

一、支持向量机概述

        SVM 是一种监督学习模型,就是说需要一个已标记的数据集。

        SVM学习到了什么?它学习一个线性模型。什么是线性模型?对简单的平面来说:它是一条线(复杂的话它是一个超平面)。如果您的数据非常简单并且只有两个维度,那么 SVM 将学习一条能够分离数据的线。

        如果只是学一条线。就不会需要线性模型了,所以大概是以下流程:

        1)我们假设我们要分类的数据可以用一条线隔开

        2)我们知道一条线可以用等式表示是y=wx+b(这就是平面条件下的模型)

        3) 我们

评论
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

打赏作者

坐望云起

如果觉得有用,请不吝打赏

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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