深度学习笔记 —— SVM 支持向量机

最新推荐文章于 2025-12-22 20:07:50 发布
原创 最新推荐文章于 2025-12-22 20:07:50 发布 · 4.3k 阅读 · 4 ·
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。
文章标签：

#深度学习 #svm原理

支持向量机(SVM)是基于线性函数的有监督学习方法，其核心创新在于kernel trick。通过引入特征函数和kernel，如高斯核（RBF），SVM能够处理非线性任务。高斯核可以视为模板匹配，优化α向量可降低评估决策函数的成本。SVM的支撑向量在分类过程中起关键作用。尽管SVM在大规模数据集上计算成本高，但它启发了深度学习的发展。

支持向量机Support Vector Machine (SVM)是有监督学习中最有影响的方法之一。

SVM与逻辑回归Logistic Regression相似, 都基于线性函数 wTx+b 。

SVM的关键创新在与kernel trick, 采用样本点乘的形式我们可以将SVM使用的线性函数写成

wTx+b=b+∑i=1mαixTx(i)
其中 x
最低0.47元/天 解锁文章
机器学习原理-支持向量机
全网120W+关注AI拉呱，专注人工智能以及科技前沿！
08-08 564
1. 支持向量机svm 支持向量机（SVM，Support Vector Machine）是一种监督学习方法。是以超平面的方式对二类的分类算法。 分类:hard-margin svm ,soft-margin svm kernel svm 支持向量机三宝: 间隔 核函数 对偶问题 1.1 线性可分 特征数据x与标签数据y（y取值-1，1），由x组成的特征共空间，存在一个将正负样本分开的超平面，并且使点到平面的距离大于等于0，则称该问题线性可分。 D0和是D1维欧氏空间...
机器学习笔记——感知机、多层感知机(MLP)、支持向量机(SVM)
haopinglianlian的博客
11-17 2141
本笔记介绍机器学习中的感知机、MLP、SVM算法。
深度学习1：支持向量机(优化问题、SVM处理线性及非线性问题、常用和函数、原问题和对偶问题)
weixin_44575717的博客
04-24 1465
深度学习-支持向量机（SVM）
weixin_40826634的博客
12-06 2116
深度学习-支持向量机（SVM）
[深度学习]Part2 支持向量机（SVM）Ch09-1——【DeepBlue学习笔记】
LiongLoure的博客
08-05 521
本文仅供学习使用
深度学习-机器学习（5.1支持向量机）
Mogul的博客
05-29 2271
1.支持向量机(Support Vector Machine)（英文简写SVM）属于监督学习（Supervised Learning）:分类（Classifcation）2.机器学习的一般框架： 训练集->提取特征向量->结合一定的算法（分类器：比如决策树，KNN）->得到结果3.介绍：      3.1例子                          在这个例子中加入提取...
深度学习笔记——模型部署
haopinglianlian的博客
11-30 1492
本文简要概括模型部署的知识点，包括步骤和部署方式。
深度学习笔记——模型压缩和优化技术（蒸馏、剪枝、量化）
haopinglianlian的博客
11-30 4258
本文详细介绍模型训练完成后的压缩和优化技术：蒸馏、剪枝、量化。
《深入浅出Python机器学习》读书笔记（七）——支持向量机SVM
最新发布
👨‍💻 算法厨子 | 健身码农 | 生活实验家 分享机器学习实战、LeetCode心法、云服务编排魔法，兼修减脂餐研发与生活实验。拒绝枯燥理论，只讲亲身验证的干货。你的每个建议都是我下一篇内容的灵感燃料。一起在代码与生活间优雅切换！🚀
12-22 766
在支持向量机（SVM）中，最常用于将数据映射到高维空间的两种核函数是多项式核和径向基核（也称高斯核）。 多项式核通过将原始特征进行多项式组合来实现高维映射，例如通过构造特征之间的乘积和幂次组合（如 x12,x23,x1x3x_1^2, x_2^3, x_1 x_3x12​,x23​,x1​x3​ 等形式），从而在更高维空间中寻找线性可分的超平面。 而径向基核则采用一种基于距离的映射方式，它通过计算样本之间的相似度（通常使用欧氏距离的指数函数）来隐含地将数据映射到甚至无限维的特征空间，从而能够处理高度非线性
支持向量机与深度学习的融合
AI天才研究院
12-31 1193
1.背景介绍 随着数据量的不断增加，传统的机器学习算法已经无法满足现实中复杂的需求。深度学习技术的出现为处理大规模数据提供了一种新的方法，它能够自动学习出复杂的特征，并且在许多领域取得了显著的成果。然而，深度学习算法在某些情况下仍然存在一些局限性，例如对于小样本学习、多标签分类等问题。因此，研究人员开始关注将传统的支持向量机(Support Vector Machines, SVM)与深度学习相...
深度支撑向量机（SVM）
11-01
本文档详细阐释了将深度学习相关理论成果应用于SVM使SVM机器学习效果性能更加优良
深度学习第四课——SVM（支持向量机）
weixin_51943818的博客
08-24 4042
支持向量机（support vector machines, SVM）也是一种分类模型，与KNN类似，两者都是比较经典的机器学习分类算法，KNN是通过选取目标点的临近值判断目标点的值，而SVM则是通过划分区域，从而判断目标点属于哪部分。SVM算法较KNN更复杂，但是能适应更多种情况，在处理大量数据时，进行运算比KNN算法少，更有效，而当数据量小时，用KNN更简便。
支持向量机: 深度学习与融合
AI天才研究院
01-08 1481
1.背景介绍 支持向量机(Support Vector Machines，SVM)是一种常用的机器学习算法，它主要应用于分类和回归问题。SVM 的核心思想是通过寻找数据集中的支持向量(即分类边界附近的数据点)，从而构建出一个最佳的分类或回归模型。在过去的几年里，SVM 在计算机视觉、自然语言处理、生物信息学等领域取得了显著的成果。 随着深度学习技术的发展，如卷积神经网络(Convolution...
深度学习与支持向量机的分类原理异同
ehui的博客
03-29 9381
深度学习利用神经网络对数据进行分类，我们来看看其分类的本质是什么。下面我们来看一个2层的神经网络中的第1层：输入a可以看作三维空间的一个点，输出z可以看作两维空间的点。从输入a到输出z，首先输入向量a左乘了一个变换矩阵w，经历了坐标变换被压缩了一维，然后再进行了一个sigmoid函数映射，实质上是对二维空间进行了扭曲（非线性化）。然后再进行一个二维坐标变换和sigmoid映射，最后输出结果。很明显...
机器学习与深度学习系列连载： 第一部分 机器学习（八）支持向量机1（Support Vector Machine）
Doctor Wu的博客
09-19 1311
SVM 我们定义SVM为hinge Loss +kennel trik 为SVM 首先我们看看 hinge Loss 1. hinge Loss 还是让我们回到二分类的问题，为了方便起见，我们y=1 看做是一类，y=-1 看做是另一类 他的Loss 函数是分类错误的次数，很显然，这是个离散的值，不可微分，我们需要找到一个等价的Loss 于是我们出各种等价Loss 函数...
深度学习之SVM
zhangshaozhong__的博客
08-22 2136
SupportVectorMachine (SVM) 是一个监督学习算法，既可以用于分类（主要）也可以用于回归问题。SVM算法中，我们将数据绘制在n维空间中（n代表数据的特征数），然后查找可以将数据分成两类的超平面。支持向量指的是观察的样本在n为空间中的坐标，SVM是将样本分成两类的最佳超平面。KNN算法是物以类聚，人以群分，身旁哪个种类最多就把预测的样本归为哪一类，基本原理就是找到距离最近的K个元素，然后将这K个元素进行排列，哪个种类多，就将样本进行归类。
深度学习——SVM
m0_64002592的博客
08-20 1773
比如下图中两条虚线构成的带状区域就是 margin，虚线是由距离中央实线最近的两个点所确定出来的（也就是由支持向量决定）。对于线性可分的数据集来说，这样的超平面有无穷多个(即感知机)，但是几何间隔最大的分离超平面却是唯一的。所以在原有目标的基础之上，我们也尽可能的让ξ的总量也尽可能地小。比较好的划分超平面，样本局部扰动时对它的影响最小、产生的分类结果最鲁棒、对未见示例的泛化能力最强。其中的C是用于控制“最大化间隔”和“保证大部分的点的函数间隔都小于1”这两个目标的权重。为样本的中的一个点，其中。
深度学习基础（三）--SVM
向前方，莫转角
09-29 714
总结一下今天的学习过程 今天可以说是不充实，荒废的好多时间 1，今天干一些无关学习的事，这里就不多说了 2，中午和下午就感觉比较坑了，以前安装工具都是百度，这好不容易感觉上道了，说是看个文档吧，结果还安装错了，还是走了好多弯路       本意是在Anaconda3中安装numpy以及pylab，按照着Anaconda3中自带的Python3.6.1documentaction这个文档安装
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