本篇博文介绍svm算法,从优化目标出发,分析svm的产生,以及产生svm解的原因。
在逻辑回归中,我们发现,对于一个样本(x,y),对代价函数造成的影响是带来如下一项:
y=1时,实际是上式的第一项,产生的影响如下图所示:
y= 0时,实际是上式的第二项,产生的影响如下图所示:
现在,我们从这两个代价函数开始,构建svm.
针对y=1和y=0,我们分别将代价函数修改为下图的红线部分:
下面,我们根据逻辑回归的代价函数,得到svm的代价函数:
逻辑回归中,代价函数为:
【A+λB的形式】
svm中,我们将上式修改为:
【cA+B的形式,c=1/

本文详细介绍了从逻辑回归到支持向量机(SVM)的转变过程,通过分析代价函数的变化,揭示了SVM优化目标的形成。在SVM中,通过最大化间隔来实现更鲁棒的分类,避免了过拟合问题。文章通过图形解释了为何SVM倾向于选择能最大化间隔的决策边界,从而成为大间隔分类器。
最低0.47元/天 解锁文章
1142

被折叠的 条评论
为什么被折叠?



