支持向量机在解决小样本、非线性及高维模式识别问题中表现出了许多特有的优势，针对多类分类问题的经典SVM 算法主要有一对一方法(1-vs-1)，一对多方法(1-vs-all.
线性可分问题
SVM 是从线性可分情况下的最优分类面发展而来的，所谓最优分类面就是要求分类面不但能将两类样本正确分开(训练错误率为0)，而且使分类间隔最大.设有n 个样本xi 及其所属类别yi 表示为:
超平面W·X+b=0 方程，能将两类样本正确区分，并使分类间隔最大的优化问题可表示为在式的约束下求下式最小值.
本文详细介绍了支持向量机SVM，从线性可分问题开始，探讨了线性不可分情况下的解决方案，引入了非线性问题的处理方法。SVM在多类分类中，包括一对一(1-vs-1)和一对多(1-vs-all)策略，以及直方图与SVM的关系。文章深入解析了SVM中点的表示、间隔概念以及比较方法，适合对SVM感兴趣的读者深入理解。
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
