u010621873的专栏

原文地址：http://www.cnblogs.com/dreamvibe/p/4362220.html上一篇SVM之核函数介绍了通过计算样本核函数，实际上将样本映射到高维空间以望使其线性可分的方法，一定程度上解决了线性不可分问题，但并不彻底。现在，换个思路，对于线性不可分问题不再千方百计的变换数据使其线性可分，对于有些数据，找到合适的变换可能是相当困难的。我们允许数据线性不可分，

原文地址：http://www.cnblogs.com/dreamvibe/p/4355141.htmlSVM内容繁多，打算用五篇文章来记述。SVM之问题形式化描述给出SVM的问题描述与基本模型；SVM之对偶问题将SVM求解转换为对偶问题的求解；SVM之核函数描述了SVM引人核函数进行特征向高维映射的过程；SVM之解决线性不可分描述了SVM对线性不可分数据的处理方法；另外，写在SVM之前—

原文地址：http://www.cnblogs.com/dreamvibe/p/4356897.html前一篇SVM之问题形式化中将最大间隔分类器形式化为以下优化问题：{minw,b12∥w∥2s.t.yi(wTxi+b)≥1容易发现这是一个凸优化问题，而凸优化问题问题一般而言是满足Slater条件的（具体证明我也不懂），所以可以等价地求解其对偶问题。转而求解其对偶问题

原文地址：http://www.cnblogs.com/dreamvibe/p/4360544.html上一篇SVM之对偶问题中讨论到，SVM最终形式化为以下优化问题{maxα∑iαi−12∑i,jαiαjyiyjxi,xj>s.t.{αi≥0∑iαiyi=0而且最终的判别式可以写成wTx+b=∑iαiyixi,x>+b之前已对(1)的求解做了简单提