SVM支持向量机

本文深入解析了支持向量机(SVM)的工作原理,包括其作为广义线性分类器的角色,如何通过最大边距超平面进行决策边界求解,以及如何通过核方法实现非线性分类。此外,还探讨了SVM的稀疏性和稳健性,以及其在监督学习中的应用。

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

支持向量机(Support Vector Machine, SVM)是一类按 监督学习(supervised learning)方式对数据进行 二元分类(binary classification)的广义线性分类器(generalized linear classifier),其 决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)  [1-3]  。
SVM使用铰链损失函数(hinge loss)计算经验风险(empirical risk)并在求解系统中加入了正则化项以优化结构风险(structural risk),是一个具有稀疏性和稳健性的分类器  [2]  。SVM可以通过核方法(kernel method)进行非线性分类,是常见的核学习(kernel learning)方法之一 [4]  。

转载于:https://www.cnblogs.com/Ph-one/p/10800289.html

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
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