本文从统计学习方法的角度探讨SVM，强调SVM的核心是结构化风险最小化。通过介绍模型、策略和算法，解释了SVM如何通过最大化分类间隔来构建最优决策超平面，从而避免过拟合。同时，文章提到了Latent Structural SVM，展示其在最小化模型复杂性和经验风险上的应用，以提高模型的泛化能力。
最近在讨论班上，LXH同学讲到Structural SVM with latent variables,最后大家提出了一个问题：他讲的怎么没体现出SVM的思想啊？？
刚开始我也是这么想的，后来想了一下，也许可以换个角度理解SVM。
统计学习方法由模型、策略和算法构成。模型是选择一个概率分布模型或者决策函数空间来模拟样本空间。策略是优化模型所用到的目标函数。算法是解决最优化问题的方法。（具体可参见李航《统计学习方法》）
而SVM的主要思想是“统计学习方法由模型、策略、算法组成，建立一个最优决策超平面，使得分类正负样本距离这个超平面距离最大化。”
在这样的思路下，问题就转化成学习求解超平面的问题。即求解如下问题：
最低0.47元/天 解锁文章
扫一扫
5986
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
