任意在空间中线性可分的两类点，分别向SVM的超平面上做投影，这些点在超平面上是有可能可分吗？

最新推荐文章于 2022-09-08 17:22:33 发布
原创 最新推荐文章于 2022-09-08 17:22:33 发布 · 1.5k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

探讨了在二维空间中，支持向量机（SVM）的模型构建原理，指出当支持向量位于超平面的中垂线上时，数据将无法被分类。深入解析了SVM模型与支持向量的关系，以及这一特殊情况下的数学推导。

不可能。

以二维空间为例，超平面刚好是支持向量的中垂线，支持向量在中垂线上的投影重合，肯定不可分。

当然这个前提是SVM最终模型仅和支持向量有关，这个推导请参考： https://blog.youkuaiyun.com/taoqick/article/details/102644779

更多推导请参考西瓜书和葫芦书

第16节：传统分类模型-支持向量机(SVM)在图像分类中的应用
2401_82355416的博客
04-28 1247
图像分类是计算机视觉中的基础任务，旨在为输入图像分配一个预定义的类别标签。高维性：即使是一张小尺寸图像，其原始像素空间维度也很高(如256×256 RGB图像有196,608维)局部相关性：相邻像素之间存在强相关性，包含丰富的空间结构信息光照、姿态、遮挡等变化：同一物体在不同条件下可能呈现显著不同的视觉表现类内差异与类间相似性：同一类别可能包含外观差异很大的实例，而不同类别可能有相似的外观。
百面机器学习—5.SVM要点总结
柳杰的博客
04-21 727
文章目录1.硬间隔SVM公式推导 1.硬间隔SVM公式推导
机器学习算法 之 支持向量机 SVM
张之海的博客
03-15 735
1 基本知识 2 面试问题 2.1 问题1 在空间上线性可分的两类点，分别向SVM分类的超平面上做投影，这些点在 超平面上的投影仍然是线性可分的吗？ 这里需要用到凸集、凸组合、凸包的概念，可以参考另一篇文章：凸函数与凸规划 参考文献：《百面机器学习》 ...
学习笔记 | 支持向量机SVM、推导
大虎牙的博客
05-21 329
01 支持向量机SVM 问题1 在空间上线性可分的两类点，分别向SVM分类的超平面上做投影，这些点在超平面上的投影仍然是线性可分的吗？ 不可分 问题2 是否存在一组参数使SVM训练误差为0？ 问题3 训练误差为0的SVM分类起一定存在吗？ 问题4 加入松弛变量的SVM的训练误差可以为0吗？ SVM理论 希望的是找到一个平面作为超平面，它恰好在两个类中间分开，以它为基准画两个与它平行的平面，让这两个平面分别向两个方向平行移动，即一个向类别X聚集的方向移动，一个向非类别X聚集的方向移动。当这两个平
机器学习（第三章）—— 经典算法
Billie使劲学的博客
09-08 1285
经典算法：支持向量机、逻辑回归、决策树
百面机器学习（3）——经典算法
Briwisdom的博客
03-18 1124
目录 SVM（SVM模型推导，和函数，SMO算法） 逻辑回归（逻辑回归，线性回归，多标签分类，softmax） 决策树（信息论，树形数据结构，优化理论） SVM（SVM模型推导，和函数，SMO算法） 1. 在空间上线性可分的两类点，分别向svm分类的超平面上做投影，这些点在超平面上的投影仍然是线性可分的吗？（3） 线性可分的两类点，即通过一个超平面可以将两类点完全分开。对于任意线性可分...
机器学习之svm
01-04
svm 向量机 机器学习 svm 向量机 机器学习 svm 向量机 机器学习 svm 向量机 机器学习
分类问题中投影方向与分离超平面法方向的比较 (2009年)
05-07
线性可分二类分类问题是说，在输入空间中，可以找到一个超平面来完美区分两类样本。为了处理非线性可分的问题，可以通过引入核函数将输入空间映射到高维特征空间，使原本不可分的问题在新的特征空间变得可分。 最大...
SVM通过将每个数据点映射到高维空间，使得数据点在高维空间中更容易分开，然后在高维空间中寻找一个超平面。具体介绍一下
06-09
以二维平面上的线性不可分问题为例，如果无法在二维空间中找到一个超平面将两类数据点分开，那么我们可以将每个数据点映射到三维空间中，即通过构造一个二次多项式的函数将二维平面上的点映射到三维空间中，这样原本...
《百面》-3.经典算法
qq_33228039的博客
11-13 788
目录 1.支持向量机 问题1.在空间上线性可分的两类点，分别向SVM分类的超平面做投影，这些点在超平面上的投影仍是线性可分么？ 问题2.是否存在一组参数使SVM训练误差为0？ 问题3.训练误差为0的SVM分类器一定存在么？ 问题4.加入松弛变量的SVN训练误差可以为0么？ 2.逻辑回归 问题 1.逻辑回归相比于线性回归，有何异同？ 问题2.当使用逻辑回归处理多标签的分类问题时...
《百面机器学习》学习笔记：（三）经典算法（SVM，LR，决策树）
m0_38018799的博客
07-01 795
《百面机器学习》学习笔记（三）经典算法SVM1. SVM 原理2. 空间上线性可分的两类点，在SVM分类的超平面上的投影仍然是线性可分的吗？3. 是否存在一组参数使SVM训练误差为0？4. 训练误差为0的SVM分类器一定存在吗？5. 加入松弛变量的SVM的训练误差可以为0吗？逻辑回归（Logistic Regression）1. LR原理2. 逻辑回归相比于线性回归，有何异同？3. 当使用逻辑回归...
机器学习（3）——SVM学习
btbujhj的博客
06-29 358
重点梳理：      （1）支持向量机SVM方法的关键是找到支持向量，怎么找呐？               通过找到拉格朗日乘子，每个样本都对应一个i，但是非支持向量对应的i=0。  这里还会得到超平面的参数b     （2）支持向量中的标签用-1和+1，或者其他相反数对，不能用0和1。     （3）找到i≠0对应的支持向量后，只有这些支持向量对分类有用，非支持向量对后面的
机器学习——SVM
xiao_lxl的专栏
08-19 7475
SVM（Support Vector Machine, 支持向量机）是众多监督式学习方法中十分出色的一种，几乎所有的讲述经典机器学习方法的教材都会介绍。 SVM原理 SVM算法步骤 问题 在空间上线性可分的两类点， 分别向SVM分类的超平面上做投影， 这些点在超平面上的投影仍然是线性可分的吗？ 能否证明你的观点？ 背景知识：数学基础，机器学习基础，SVM理论推导 解答与分析 首先分析题意，线性可分...
机器学习备忘录之支持向量机(SVM)几个问题
laicikankna的博客
05-29 807
在空间上线性可分的两类点，分别向SVM超平面上做投影，这些点在超平面上的投影仍然是线性可分的吗？ 是否存在一组参数使SVM训练误差为0？ 训练误差为0的SVM分类器一定存在吗？ 加入松弛变量的SVM的训练误差可以为0吗？ 1.对于任意线性可分的两组点，它们在SVM分类超平面上的投影都是线性不可分的。（SVM的分类结果仅依赖于支持向量） 2.存在一组参数使SVM训练误差为0。 3.训练误差为0的SVM分类器存在。 4.并不一定能得到训练误差为0的模型。 参考： 机器学习 统计学习方法 百面机器学习 算.
超平面与线性可分
Chaolei3的博客
12-18 4052
参考：http://mp.weixin.qq.com/s/2QHG0D1j0hQyErYg7Cp53w http://blog.youkuaiyun.com/m0_37658225/article/details/70048959 在介绍线性可分之前就必须先介绍一下超平面的概念。 通常我们熟知的“平面”，一般定义在3维的空间中，即形式为Ax+By+Cz+D=0。只有当维度大于3时，才称为“超”。而超平面的
SVM+逻辑回归+ 决策树
qq_28487595的博客
03-09 883
经典算法 支持向量机 问题一： 在空间上线性可分的两类点，分别向SVM 分类的超平面上做投影，这些点在超平面上的投影仍然是线性可分？ 不是 问题二： 是否存在一组参数使SVM训练误差为0？ 是 问题三： 训练误差为0的SVM分类器一定存在吗？（本题旨在找到一组参数满足训练误差为0，且是SVM 模型的一个解） 是 问题四： 加入松弛变量的SVM的训练误差可以为0 吗？ NO，使用SMO 算法训练的线...
超平面是什么？——理解超平面（SVM开篇之超平面详解）
热门推荐
denghe优快云的博客
08-17 10万+
        研究了半天，终于对“超平面”有了个初步了解。         n 维空间中的超平面由下面的方程确定:                                                 其中，w 和 x 都是 n 维列向量，x 为平面上的点，w 为平面上的法向量，决定了超平面的方向，b 是一个实数，代表超平面到原点的距离。且                       ...
[百面机器学习]经典算法Q&A
Reyiiiin的深夜一点半
03-17 263
目录 1、LR想必线性回归，有何异同？ 2、决策树有哪些常用的启发函数？ 3、线性可分的两类点在SVM分类超平面上的投影仍然线性可分吗？ 4、证明存在一组参数使得高斯核SVM的训练误差为9 5、LR处理多标签分类问题 6、如何对于决策树进行剪枝？ 7、误差为0的SVM的分类器一定存在？ 1、LR相比线性回归，有何异同？ LR是分类问题，线性回归是回归问题 LR的因变量是离...
SVM
Beans___Lee的博客
11-04 354
1. SVM原理 SVM 是一种二类分类模型。它的基本模型是在特征空间中寻找间隔最大化的分离超平面的线性分类器。 当训练样本线性可分时，通过硬间隔最大化，学习一个线性分类器，即线性可分支持向量机； 当训练数据近似线性可分时，引入松弛变量，通过软间隔最大化，学习一个线性分类器，即线性支持向量机； 当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。 2....
SVM详细推导：构建最优分类超平面的全过程
它由Vapnik提出，核心理念是通过构建一个最优决策超平面来实现线性可分问题的高效分类，同时最大化超平面两侧的间隔，也就是所谓的“支持向量”，这些点是训练集中最难分类的部分。 在SVM的基本思想中，对于线性可...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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