《常用的机器学习算法——SVM浅析》

1、线性可分的SVM和硬间隔(Hard Margin)最大化
2、线性可分的SVM和软间隔(Soft Margin)最大化
3、非线性SVM与核函数
4、SMO算法

ch1、线性可分的SVM和硬间隔最大化

1、问题描述

1)问题描述:给定一系列的样本(x1,y1),(x2,y2),…,(xn,yn),其中xi是m维向量,yi属于{-1,+1}。
2)最终目的:找到一个分隔面w*x+b=0,判别函数f(x)=sign(w*x+b);使得能够将样本集中的数据正确划分;
3)存在问题:存在多个满足上述分隔条件的超平面。
4)解决思路:要引入间隔最大化的约束。间隔指的是最近(样本)点到分隔平面距离的两倍。

2、函数间隔与几何间隔

1)函数间隔:

函数间隔
函数的间隔可以表示分类预测的正确性及确信度。但是函数的间隔当w和b成比例(2倍)增加的时候,超平面并没有改变,而函数间隔却变成了2倍。所以要进行规范化。令||w||=1;

2)几何间隔

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