西瓜书读书笔记之支持向量机

最新推荐文章于 2024-03-02 17:10:35 发布
最新推荐文章于 2024-03-02 17:10:35 发布
阅读量245 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 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/wxl1999/article/details/87832805
本次分享中，作者通过制作思维导图来梳理知识点，发现这种方法相较于神经网络的学习更为清晰简洁。但同时也指出，在理解核线性判别分析方面仍存在困惑，计划后续深入研究。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

这次做思维导图省去了不少细节，感觉比神经网络那张要清爽不少，显得简明扼要。

核线性判别分析这里不是特别明白，需要回头看。

 

西瓜书第六章（支持向量机）
oisflo的博客
12-01 2421
SVM通过寻找最大间隔超平面来区分不同类别的数据点，这种方法不仅提高了模型的鲁棒性，还有效减少了过拟合的风险。对于线性不可分软间隔（Soft Margin），允许一定程度的误分类以提升泛化能力；核技巧（Kernel Trick），通过将数据映射到高维空间使其线性可分，从而处理复杂的非线性问题。很好的数学基础最大化间隔通过寻找最大间隔超平面，SVM提高了模型的鲁棒性和泛化能力，减少了过拟合的风险。使用线性的方法解决线性不可分问题：允许一定程度的误分类，以获得更好的泛化性能。
西瓜书复习：支持向量机
qq_37429357的博客
05-04 838
在样本空间中，划分超平面的线性方程为： w为法向量，决定了超平面的方向；b为位移项，决定超平面与原点之间的距离。样本中任意点x到超平面(w,b)的距离为： ...
西瓜书 - 支持向量机
shawn_shao的博客
10-22 363
间隔与支持向量 给定训练样本集D={(x1,y1),(x2,y2),,,,(xm,ym)},yi∈){−1,+1}D=\{(x_1,y_1),(x_2,y_2),,,,(x_m,y_m)\}, y_i\in)\{-1,+1\}D={(x1​,y1​),(x2​,y2​),,,,(xm​,ym​)},yi​∈){−1,+1},分类学习最基本的想法就是基于训练集D在样本空间中找到一个划分超平面,将不同...
西瓜书——支持向量机
Ryangfeng
11-04 566
西瓜书——支持向量机(SVM) 一、SVM简介 核心思想：利用某些支持向量机所构成的“超平面”(即分割平面)，利用“超平面”将样本点切割开来 是一种有监督的机器学习，二分类问题 特点： 可用于分类和预测，但不适合大样本的分类或预测 支持向量机是针对二分类任务设计的，对多分类任务要进行专门的推广 对于低维不可分的空间转换为高维的线性可分空间（升维） 对样本缺失非常敏感 二、间隔与支持向量 在样本空间中，划分超平面为 样本空间任意点到超平面的距离 支持向量：离这个超平面最近的点
西瓜书--第六章.支持向量机（SVM）
weixin_64215932的博客
03-30 2729
目录 目录 一、硬间隔与支持向量 1、线性可分支持向量机 2、函数间隔与几何间隔 样本点与超平面是保持着一定函数距离的，通过超平面方程和函数距离，以计算其距离，得到两条边界函数wx+b=1和wx+b=-1进而分类。 函数间隔： 几何间隔： 3、间隔最大化 二、对偶问题 拉格朗日乘子法： 三、核函数 1、线性不可分 2、核函数 四、软间隔与正则化 软间隔（含线性支持向量机）： 五、支持向量回归 六、核方法 1、核方法 2、非线性支持向量机 目录 支持向量机是一类按
西瓜书理解之支持向量机
weixin_38410551的博客
03-04 362
西瓜书6.1节的理解。 6.1节描述的问题是线性可分的问题，如果用支持向量机来解决，只需要最大化分类间隔即可，分类间隔仅与离超平面距离为1的点有关系，这些点的向量称之为支持向量机，分类间隔越大，分类效果越好。 重要概念理解： 超平面：可以理解为一维空间中的点，二维空间中的线，三维空间中的平面的扩展，分类的决策边界。 支持向量：离分割超平面最近的那些点 向量到超平面距离公式的推导。 分类...
西瓜书第六章——支持向量机
qq_42929168的博客
12-02 1731
西瓜书第六章——支持向量机前言一、间隔与支持向量1.1、算法原理1.2、超平面1.3、几何间隔1.4、支持向量机1.4.1、模型1.4.2、策略二、对偶问题2.1、凸优化问题2.2、拉格朗日对偶问题2.3、拉格朗日对偶代入主问题三、软间隔与支持向量回归3.1、软间隔3.2、支持向量回归总结 前言 假设这里有一个包含两类的样本数据集 D（该数据集是线性可分的），那么这种简单的二分类问题，我们最基本的的思想就是找一个超平面将数据集划分好，即如上图所示；但是会有多个可行的超平面，我们应该选哪一个呢？这就是支
西瓜书--第六章支持向量机
weixin_40911578的博客
06-02 292
SVM支持向量机
西瓜书笔记（第六章 支持向量机）
weixin_43998014的博客
01-27 869
西瓜书笔记（第六章 支持向量机） 6.1 间隔与支持向量 直观上看，应该去找位于两类训练样本“正中间”的划分超平面，即图6.1中红色的那个，因为该划分超平面对训练样本局部扰动的“容忍”性最好.例如，由于训练集的局限性或噪声的因素，训练集外的样本可能比图6.1中的训练样本更接近两个类的分隔界，这将使许多划分超平面出现错误，而红色的超平面受影响最小，换言之，这个划分超平面所产生的分类结果是最鲁棒的，对未见示例的泛化能力最强。 6.2 对偶问题 6.3 核函数 在本章前面的讨论中，我们假设训练样本是
西瓜书笔记6:支持向量机
越开源越幸运
06-23 1002
6.1 间隔与支持向量 6.2 对偶问题 求解w 求解b 6.3 核函数 非线性映射 核函数 6.4 软间隔与正则化 软间隔 参数求解 正则化 6.5 支持向量回归 6.6 核方法
chap 6 支持向量机 [西瓜书笔记]
zhulinmanbu114的博客
05-28 160
西瓜书-4支持向量机(SVM）
yxyibb
07-09 463
学习内容介绍： 支持向量机，在深度学习未火之前，支持向量机一直都是学术界和工业界的热点，这得益其优秀的性能，特别是面对数据规模比较小的时候，不同简单的逻辑回归，支持向量机能够构建出数据之间的非线性关系。同时，在机器学习的面试过程中，支持向量机一直都是热点问题，因为这部分能够对同学的数学功底进行考察，所以请大家认真对待这章的关键公式。学习完本章后，希望大家能够理清两个逻辑思维：一个是，支持向量机的...
【一起啃书】西瓜书——支持向量机
YasmineC的博客
03-18 1242
直接跳到支持向量机的动机是，遇到了核函数，加上这一节的很多难点在多类课中学了又学，却总是学不明白，所以准备系统的了解支持向量机的大概，并重点学习我的目标知识： 核函数的意义、作用，哪些场景会应用到核函数 核密度估计、高斯核函数与核函数的关系 对支持向量的理解 maximal margin classifier（寻找类别边界点，在边界点中间确定一点，作为阈值，使得边界点到阈值之间的距离，称为margin，最大，则应该选择两个边界点的中间值），这种方法简单，但对异常值过于敏感（下图），所以出现了新的解决方法
四、西瓜书——支持向量机
最新发布
qq_52053775的博客
03-02 1068
支持向量机的原理是寻找与支持向量具有最大间隔的划分超平面。支持向量机具有一个重要性质: 训练完成后,大部分的训练样本都不需保留,最终模型仅与支持向量有关. 首先，超平面的方程为： 点到超平面的距离为： 两个异类支持向量到超平面的距离之和为（间隔） 在满足约束条件下最大化间隔： 通过拉格朗日对偶定理可以推出原问题的对偶问题
【西瓜书笔记】——支持向量机（SVM）
锟金铐鏜鏜鏜
10-17 856
【引言】 支持向量机可作回归也可作分类，其主要思想是旨在建立一个WX+b的超平面，对高维样本空间进行数据拟合或划分。支持向量机的核心内容为核函数和凸优化问题，意在寻找合适的参数矩阵W和位移项b从而找到最合适的支持向量机。 1、间隔与支持向量 分类学习最基本的想法是基于训练集D在样本空间中找到一个划分超平面，将不同类别的样本分开。但是同一个样本空间中划分超平面有许多，而支持向量机就是旨在寻找最优的...
机器学习（西瓜书）6、支持向量机
qq_44865735的博客
01-29 1335
机器学习---支持向量机
西瓜书（机器学习）第六章 支持向量机
m0_65930263的博客
04-08 316
对于二分类问题，分类的目标就是找到一个超平面能够将不同类别的样本点分隔开来，使得正例样本点与负例样本点到超平面的距离最大化，这个距离就是超平面到支持向量的距离，称为间隔（margin）。最大间隔支持向量机（Support Vector Machine, SVM）是一种二分类模型，它的基本思想是寻找一个最优的超平面（hyperplane）来将不同类别的样本分开，其中最优指的是使得超平面与最近的样本点（即支持向量）之间的距离最大。L1正则化加入的约束项是模型参数的L1范数，即L1范数越大，模型越稀疏。
【西瓜书Chapter6】支持向量机
m0_49223946的博客
10-27 452
支持向量机
"支持向量机学习笔记及Python实战
本文是统计学习方法第七章《支持向量机》的笔记。支持向量机(Support Vector Machine, SVM)是一种常用的二分类监督学习方法，其主要思想是在特征空间中找到一个最优超平面，将不同类别的样本分开。SVM最大的特点是...
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