本文详细介绍了支持向量机（SVM）的基本概念及其作为线性分类器的应用，并重点探讨了SMO算法的工作原理及其实现步骤。SMO算法通过解决两个变量的二次规划问题来更新参数，实现对数据的有效分类。
支持向量机（SVM）是一种二分类模型，基本模型是定义在特征空间上间隔最大化的线性分类器。当训练可分时候通过硬间隔最大化学习一个线性分类器，训练数据近似线性可分时候，通过软间隔最大化学习一个线性分类器，训练数据不可分时候通过核技巧（低维空间映射到高维空间）和软间隔最大化学习线性分类器。下面主要借鉴李航SVM章节总结。
下面主要介绍SMO算法：SMO算法的目的是找到一个h函数f(x)，这个函数能够让我们对输入的数据X进行分类。
SMO算法主要包括两个部分：1：求解两个变量二次规划解析方法。2：选择变量的启发式方法。
1：首先怎样选择两个变量a1,a2。因为a是不能一个一个更新，因为他是有约束条件的，单独更新一个约束条件就不满足了，SMO算法是一对一对更新。
每次当更新完a1,a1变成a1new,a2new时候再求b的值。
最终就可以对X进行分类了。
具体推导见博客：http://www.tuicool.com/articles/RRZvYb
总结SVM算法步骤：
扫一扫
4667
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
