支持向量机SVM整理

162 篇文章 115 订阅 ¥9.90 ¥99.00
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。
摘要由CSDN通过智能技术生成

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.



评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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