SVR(Support Vector Regression)基础学习(一)——SVM基础

最新推荐文章于 2023-04-27 20:41:51 发布

TwilaTian

最新推荐文章于 2023-04-27 20:41:51 发布

阅读量1k

点赞数

文章标签： SVR SVM

本文链接：https://blog.csdn.net/Ehyeh_tian/article/details/85001968

版权

本文介绍了SVM支持向量机的基本概念，特别关注其在二分类问题中的应用。通过最大化间隔，SVM寻找最优决策边界以实现最佳分类效果。文章深入探讨了代价函数、hard-margin SVM以及如何将问题转化为凸优化问题，为理解SVR打下基础。

摘要由CSDN通过智能技术生成

这篇文章主要回顾SVM支持向量机的基础知识。

SVM(Support Vector Machine)用来处理分类(classification)问题时，每个instance对应的label是离散的相异类别(SVM中常用整数来表示)，SVM的目的是在空间中找到将instance一分为二的平，且所有instance到这个平面的间隔达到最大。SVM的基本模型定义为特征空间上的间隔最大的线性分类器，最终可转化成一个凸优化问题。

1.1 对二分类问题的具体描述

训练样本 $\in$ $\mathbb{R}^{n}$ ，标签 $\in$ −1,1，对于线性分类器来说：