1. 什么是支持向量机
- 英文Support Vector Machines,简写SVM . 主要是基于支持向量来命名的,什么是支持向量后面会讲到…….最简单的SVM是用来二分类的,在深度学习崛起之前被誉为最好的现成分类器,”现成”指的是数据处理好,SVM可以直接拿来使用 …
2. 名词解释
2.1线性(不)可分 , 超平面
上图 线性可分(绿色荧光笔直线),即一条直线完美分类,虽然有不同的分割法,这条分割线就叫做”分割超平面”,二维中直线就是一个超平面,扩展到n维中n-1维也就是超平面
左面这张图很明显,所谓线性不可分,则是一条直线不能完美分类
左面这张图也是线性不可分 但是 有一个圆形区域很好的进行了分类
这时候就可以映射到高维,见下例
面 到 体 :
线 到 面 :
这个例子就比较好理解了,主要是怎么映射? 见下内容….
2.2 支持向量
支持向量在SVM中很重要,名字就看得出来, 在上例中红线为分割超平面,红色的*点就是支持向量点,即离分割超平面最近的点。
3. SVM理解
在二分类问题中,SVM需要的就是寻得一个分割超平面,使margin最大化,见下图,margin就是切割超平面离最近点的距离
最近的点就是支持向量点,这里的超平面可以定义为 w^X+b=0
假设2维特征向量 X=(x1,x2) , 把b想象虚拟的 w0 ,
那么超平面方程就变成了 : w0+w1x1+w2x2=0
右上方点满足 : w