文章目录
前言
SVM的目标是找到一个超平面,能够将不同类别的数据点有效地分开,并尽可能地使不同类别的数据点之间的间隔最大化。这些位于不同类别边界上的数据点被称为支持向量;
SVM的目标函数
SVM就是解决Max(margin),也就是最大化2/|w|,即最小化|w|
hard constrain
soft constrain
将soft constrain 转化为hinge loss问题:
目标函数 :
对其进行梯度下降:
KKT条件(进行优化)
KKT condition for SVM
非线性SVM模型(Dual 问题)
将数据先映射到高维空间中,从高维空间进入分类器
dual问题的目标函数
举一个映射到高维空间的例子:
发现高维空间计算内积还是依赖原始的model;
映射到高维空间的方法:kernel trick的方法
(1)linear kernel:
k(x,y) = (xT)·y
(2)poly kernel:
k(x,y) = (1+(xT)·y)d
(3)Gassia kernerl:
k(x,y) = exp(|x-y|2/2r2)