第七章 支持向量机

支持向量机可分为:线性可分支持向量机,线性支持向量机,非线性支持向量机
线性可分支持向量机:当训练数据线性可分时,通过硬间隔最大化,学习一个线性的分类器,即线性可分支持向量机,又称硬间隔支持向量机;
线性支持向量机:当训练数据近似线性可分时,通过软间隔最大化,也学习一个线性的分类器,即线性支持向量机,又称软间隔支持向量机;
非线性支持向量机:当训练数据线性不可分时,通过适用核技巧或软间隔最大化,学习非线性支持向量机;

线性可分支持向量机与硬间隔最大化

定义1.1(线性可分支持向量机) 给定线性可分训练数据集,通过间隔最大化或等价地求解相应的凸二次规划问题学习得到的分离超平面为

wx+b=0(1)(1)w∗⋅x+b∗=0
以及相应的分类决策函数
f(x)=sign(wx+b)(2)(2)f(x)=sign(w∗⋅x+b∗)
称为线性可分支持向量机
算法1.1(线性可分支持向量机学习算法——最大间隔法)
输入:线性可分训练数据集 T=(x1,y1),(x2,y2),...,(xN,yN)T=(x1,y1),(x2,y2),...,(xN,yN) ,其中, xiχ=Rnxi∈χ=Rn , yiY={ 1,+1}yi∈Y={ −1,+1} , i=1,2,...,Ni=1,2,...,N
输出:最大间隔分离超平面和分类决策函数。
(1)构造并求解约束最优化问题:
minw,b12||w||2minw,b12||w||2
s.t.yi(wxi+b)10s.t.yi(w⋅xi+b)−1≥0
求得最优解 w,bw∗,b∗
(2)由此得到分类超平面:
wx+b=0w∗⋅x+b∗=0
分类决策函数
f(x)=sign(wx+b)f(x)=sign(w∗⋅x+b∗)

算法1.2(线性可分支持向量机学习算法)
输入:线性可分训练数据集 T=(x1,y1),(x2,y2),...,(xN,yN)T=(x1,y1),(x2,y2),...,(xN,yN) ,其中, xiχ=Rnxi∈χ=Rn , yiY={ 1,+1}yi∈Y={ −1,+1} , i=1,2,...,Ni=1,2,...,N ;
输出:最大间隔分离超平面和分类决策函数。
(1)构造并求解约束最优化问题:
minα12i=1Nj=1Nαiαjyiyj(xixj)i+1Nαiminα12∑i=1N∑j=1Nαiαjyiyj(xi⋅xj)−∑i+1Nαi
s.t.i=1Nαiyi=0s.t.∑i=1Nαiyi=0
αi0,i=1,2,...,Nαi≥0,i=1,2,...,N
求得最优解
α=(α1,α2,...,αN)Tα∗=(α1∗,α2∗,...,αN∗)T

(2)计算
w=i=1Nαiyixiw∗=∑i=1Nαi∗yixi
并选择 α
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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