支持向量机与SMO优化算法

本文介绍了支持向量机的工作原理,强调了它寻找最大间隔超平面的目标。详细阐述了线性可分和支持向量机的软间隔概念,并解释了引入核函数以解决非线性分类问题的方法。接着,文章深入讲解了序列最小化优化算法(SMO),说明了如何通过优化一对变量来逼近最优解,同时讨论了SMO算法的优缺点。

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

1 算法概述

1.1 工作原理

类似于感知机,用一个分离超平面将正负类分开,不同之处在于,感知机只是要求分开正负类,而支持向量机要求找出分离间隔最大的超平面。

1.2 三要素

模型:超平面分类决策模型

策略:分类间隔最大化、合页损失函数最小化

算法:凸二次规划、序列最小化算法(SMO)

1.3 线性可分支持向量机与硬间隔

1.3.1 函数间隔和几何间隔

我们定义函数间隔为  ,超平面为 

如果我们成比例的改变 w 和 b,超平面没有任何变化,但是函数间隔却同比增大或减小,这是没有意义的,所以无法把函数间隔当做优化目标。但我们可以对法向量w增加一些约束,这时函数间隔成为几何间隔。

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