本文介绍了支持向量机（SVM）的基础知识，为理解支持向量数据域描述（SVDD）做铺垫。内容涵盖了SVM的目标函数、决策平面方程以及线性不可分情况下的核函数技术，特别是高斯核函数的应用。文章旨在填补SVDD中文资料的空白，邀请读者共同探讨学习。
在学习SVDD的相关知识的时候，发现网上关于SVDD的中文资料不是很多，所以想和大家一下自己学习SVDD的学习历程。鉴于本人知识水平，文中写的可能有错漏，希望大家可以指出互相学习。
##1. SVM 支持向量机
在写SVDD之前，需要有SVM的相关基础，因为SVDD和SVM在公式推导上是很相像的。
SVM的核心是找一个有着最大间距的超平面实现二分类
目标函数是：
m a x d = ∣ 1 − ( − 1 ) ∣ ∣ ω ⃗ ∣ max~d=\frac{|1-(-1)|}{
{|\vec{\omega}|}} max d=∣ω∣∣1−(−1)∣
我们要使得目标函数最大化，等价于最小化
m i n ∣ ω ⃗ ∣ 2 2 min~\frac{|\vec{\omega}|^2}{2} min 2∣ω∣2
为了方便公式的求导这里加了一个平方。
然后至于怎样对这个函数进行优化，很多书上都有说，而且很详细，大家可以看书哈~
…（通过拉格朗日乘数法）
我们得到决策平面方程：
f ( z ⃗ ) = s i g n ( ∑ i = 1 N λ i y i x ⃗ i ⋅ z ⃗ + b ) f(\vec{z})=sign(\sum_{i=1}^N\lambda_iy_i\vec{x}_i\centerdot \vec{z}+b) f(z)=sign(i=1∑Nλiyix
最低0.47元/天 解锁文章
扫一扫
2384
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
