本讲大纲：
1.核（kernels）
2.软边界（soft margin）
3.SMO算法（SMO algorithm）
1.核
属性（attributes）:原始的输入值（房价的例子中，x，住房的面积）
特征（features）：由原始数据映射的一些数据
用
用
定义核为：
本文详细介绍了机器学习中的核概念，包括如何通过核函数进行特征映射，以及核函数在高斯核（Gaussian kernel）中的应用。接着，探讨了在非线性可分情况下引入软边界的概念，以增强SVM分类器的鲁棒性。最后，重点讲解了SMO算法，它是SVM求解对偶问题的有效方法，通过坐标上升法处理约束优化问题，确保在调整超平面参数时满足条件。
最低0.47元/天 解锁文章
扫一扫
744
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
