博客以问答形式解答了SVM相关问题，包括将原问题转换为对偶问题的原因及优势，SVM防止过拟合的方法，LR和SVM的区别，结构风险、支持向量的定义，以及SVM引入核函数的原因等信息技术领域知识。
Q: 为什么要把原问题转换为对偶问题？
A：因为原问题是凸二次规划问题，转换为对偶问题更加高效。
并且可以引入核函数
Q: 为什么求解对偶问题更加高效？
A：因为只用求解alpha系数，而alpha系数只有支持向量才非0，其他全部为0.
Q：alpha系数有多少个？
A：样本点的个数
Q： SVM怎么防止过拟合？
A：引入松弛变量
Q： LR和SVM有什么不同吗？
A：
（1）分类思想不同：LR是基于概率求得，SVM是基于最大化间隔
（2）SVM决策面只由少量的支持向量决定，而LR的话是所有样本都会参与决策面的更新
（3）逻辑回归通过sigmoid函数缩小了远离分类超平面那些点的信息，而SVM直接忽略了那些点的信息
Q：. 什么是结构风险？
A：结构风险=经验风险(模型误差)+置信风险(泛化能力)
Q：什么是支持向量？
A：最大化间隔在正样本和负样本集合上各形成一个边界，位于这两个边界上的样本就是支持向量。后续新样本的分类就只依赖于这些支持向量的信息，从而降低了存储和计算的复杂性。
Q：为什么SVM要引入核函数？
A：当样本在原始空间线性不可分时，可将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性可分
扫一扫
1213
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
