向量简述

本文介绍了向量的定义、记法、模长、加减法、坐标表示、数乘、数量积和向量积等基本概念,并通过例题解释了如何判断点与三角形的位置关系,涉及向量的几何和代数应用。
摘要由CSDN通过智能技术生成

1 定义 向量,指具有大小和方向的量。


2 向量的记法:印刷体记作粗体的字母(下文所有未说明的字母都为向量),书写时在字母顶上加一小箭头“→”


3 向量的长度叫做向量的模。符号是|...|     (形同绝对值符号)

模为0的向量是零向量(方向不确定),模为1的向量是单位向量


4 向量的加减法:(如图)

加法:

1 首位相接,结果是从第一个始点到最后一个终点的向量;

2 平行四边形法则,同始点的两个向量相加得到得向量是以它们两边的平行四边形的对角线,始点与它们相同.

减法:

1 可以利用相反向量,a-b = a+(-b)

2 减法是加法的逆运算.

如果a+b=c,那么a = c - b

向量是可以这个用道理进行减法

AB - AC = CB

 



5 向量的坐标表示

将向量放入平面直角坐标系中,使其始点是原点,终点的坐标就是向量的坐标


6 向量的数乘:功能是放缩.

坐标运算:a(x, y).  λa=(λx,λy)

应用:判断向量共线

a(x1, y1), b(x2, y2)

支持向量机(Support Vector Machine, SVM)是一种二分类模型,其工作原理如下: 1.寻找最优分类超平面 SVM的目标是寻找一个最优分类超平面,使得该超平面能够将不同类别的数据分隔开来,并且离超平面最近的数据点到该超平面的距离最大。这个距离被称为间隔,SVM选择最大化间隔来寻找最优分类超平面。 2.将超平面转化为对偶问题 SVM将最优分类超平面的求解转化为对偶问题,使用拉格朗日乘子法来解决。将原问题中的约束条件转化为拉格朗日乘子,即使用一系列乘子来表示约束条件的影响。通过求解拉格朗日乘子,可以得到最优分类超平面。 3.使用核函数进行非线性分类 当样本数据无法用线性超平面分隔时,SVM可以使用核函数将样本数据映射到高维空间中进行分类。最常用的核函数有线性核、多项式核和径向基核(RBF)等。 4.模型参数优化 SVM的目标是最大化间隔,可以使用凸优化算法来求解。当使用核函数进行非线性分类时,需要对核函数的参数进行调优,以达到最好的分类效果。 5.模型预测 当SVM模型训练完成后,即可使用该模型来对新的数据进行分类预测。 总体来说,SVM的工作原理是寻找最优分类超平面,使得该超平面能够将不同类别的数据分隔开来,并且离超平面最近的数据点到该超平面的距离最大。SVM可以使用核函数进行非线性分类,通过优化算法求解最优分类超平面。
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