这篇博客详细介绍了支持向量机（SVM）的基础知识，包括其作为最大间隔线性分类器的特性，以及如何通过核技巧处理非线性问题。文章讨论了SVM的优化函数，特别是如何从逻辑回归的代价函数转换为SVM的代价函数，并解释了参数C对离群点处理的影响，C值的大小决定了对离群点的容忍度。此外，还简单对比了线性SVM与非线性SVM的实现代码。
支持向量机（support vector machine，SVM）的基本模型是定义在特征空间上间隔最大的线性分类器。是一种二分类模型，当采用了核技巧后，支持向量机就可以用于非线性分类
优化函数
将代价函数中的log函数代替为图片中紫色线条所表示的函数，同时删除系数m，和正则化的系数λ，对于logistic函数的代价函数，可以表示为A+λB,而SVM的代价函数表示为cA+B
最后，SVM的代价函数表示为
logistic函数在输出为0-1的概率值
SVM的输出直接就是0或1，即最终的预测结果
SVM分类器原理：大间距分类器
参数C对分类的影响
其实C是一个惩罚系数，是对于
最低0.47元/天 解锁文章
475
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
