本文解答了关于支持向量机(SVM)的几个关键问题，包括为何选择+1和-1作为分类边界的原因，线性向量机的优化推导过程，软间隔的概念及其意义，以及核函数(kernel)的作用原理。
撰写时间：２０１７．１０．２０
support vector machine(svm)支持向量机在深度神经网络兴起之前一直是机器学习强大的分类器，即使是现在，关于ＳＶＭ的研究以及应用也是有很多，所以弄懂svm是必要的．
本篇博文记录的是在学习支持向量机的时候，自己存在的一些困惑，以及支持向量机的一些重要概念．
Question1:为什么正负样本的分类边界是＋１和－１
Answer:纯粹为了计算方便，下面证明一下为什么可以是正负１
Proof(不考虑软间隔和核方法，也就是该分类问题在该空间内是确定的线性可分)：
画图太麻烦,我选择手写
从上面的证明可以看出来．选择用１作为边界，完全是为了计算方便．
Question2:线性向量机的优化推导
Question3:软间隔理解
Question4:kernel核的理解
扫一扫
1439
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
