SVM
它有什么优点?有什么缺点?
为什么要有SVM?在什么情况下我需要用svm?
考虑一个最简单的线性分类器,在很多情况下,用线性是分不开的,如果我们有很多的feature,将其映射到高维空间,可以使其线性可分(实际上是核方法的思想)。在feature很多的情况下,如果我们还用传统的方法,比如感知器,去训练的话,因为k维空间的VC维是k+1,当映射到高维空间,k增加的时候,这个VC维也在跟着增加,而我们知道VC维越高,泛化性能越差,所以用这种传统的方法泛化能力差,不适用。我们需要找到一种新的方法使得VC维低。而这种新的方法是什么呢?large margin。why?很多数学证明表示large margin有很低的VC维。所以我们要找一个使得margin最大的分类面。
VC维
--k维空间的VC维是k+1
--VC维越高,分类器越flexible,但泛化能力越差;VC维越低,泛化能力越好
--VC维只是理论上的一个概念,很多分类器的VC维实际中是很难准确计算的
--定性地,我们认为一个分类