本文深入探讨了SoftMargin SVM的工作原理，解释了如何通过引入松弛变量来处理非线性可分问题，并展示了如何将误差项转化为数据拟合项，进一步解析了正则化的意义。
首先，复习一下sotf margin SVM：
其中的kesi n是记录第n个样本是否违反支持向量的假设以及违反了多少假设。
从另外一个角度上看，由约束条件，我们可以等价的将kesi n写成以下的形式：
那么，这样的话 soft margin SVM就可以表示成下边的式子：
那么，第二项实际上就可以表示成error的形式，也就是data fitting term，而第一项实际上就是regularization。
Soft Margin SVM可以解释成正则化的model
最新推荐文章于 2021-05-16 22:29:32 发布
扫一扫
467
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
