SVM和EM算法

最新推荐文章于 2022-09-09 19:42:46 发布

过眼云烟

最新推荐文章于 2022-09-09 19:42:46 发布

阅读量348

点赞数

CC 4.0 BY-SA版权

文章标签：算法 sklearn 机器学习

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。

本文链接：https://blog.youkuaiyun.com/weixin_52443264/article/details/119983021

本文介绍了SVM算法，强调了支持向量和核函数的概念，指出RBF核函数在不同场景下的适用性。同时，文章还探讨了EM算法的计算流程，用于处理混合分布的数据，并通过身高数据的例子说明了参数估计的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

SVM算法
在这里插入图片描述
黑色的那条线就是超平面
距离黑色的那条线的距离最近的点就是支持向量

在这里插入图片描述

核函数，是将原始输⼊空间映射到新的特征空间，从⽽，使得原本线性不可分的样本可能在核空间可分。
应用举例：
在这里插入图片描述

常⻅核函数：
<

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。