线性可分支持向量机对偶算法

最新推荐文章于 2023-05-27 19:18:20 发布

FeynmanWang

最新推荐文章于 2023-05-27 19:18:20 发布

阅读量1.3k

点赞数 1

分类专栏：学习笔记

本文链接：https://blog.csdn.net/FeynmanWang/article/details/47089537

版权

本文探讨了线性可分支持向量机的对偶算法，从训练集出发，构建约束最优化问题，并通过拉格朗日乘数法导出解决思路。内容涉及线性分类、超平面与决策函数的确定。

摘要由CSDN通过智能技术生成

算法：

$\qquad$ 输入：线性可分训练集 $T=\{(x_1,y_1),(x_2,y_2),\cdots,(x_N,y_N)\}$ ，其中 $x_i\in \Bbb R^n,y_i\in\{-1,+1\}$
$\qquad$ 输出：分离超平面和分类决策函数
$\qquad$ (1) 构造并求解约束最优化问题

min α 1 2 \sum i = 1 N \sum j = 1 N α i α j y i y j (x i \cdot x j) - \sum i = 1 N α i </

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

FeynmanWang

关注关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
线性可分支持向量机对偶算法

算法：\qquad 输入：线性可分训练集 T={(x1,y1),(x2,y2),⋯,(xN,yN)}T=\{(x_1,y_1),(x_2,y_2),\cdots,(x_N,y_N)\}，其中 xi∈Rn,yi∈{−1,+1}x_i\in \Bbb R^n,y_i\in\{-1,+1\} \qquad 输出：分离超平面和分类决策函数 \qquad (1) 构造并求解约束最优化问题minα12∑i=
复制链接

扫一扫