（保证能看晕系列）SVM系列（三）hard-margin 求解实例 + SMO算法详细原理

最新推荐文章于 2024-05-20 21:52:45 发布

Lee_Yu_Rui

最新推荐文章于 2024-05-20 21:52:45 发布

阅读量1.1k

点赞数 1

分类专栏： python 文章标签：算法机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Lee_Yu_Rui/article/details/107438421

版权

本节主要解决怎么算拉格朗日系数的问题，和大多数的SMO算法的介绍不同的是，每一步都有详细的过程和说明。希望能对你有一定的理解上的帮助。进入本节之前，确保你已经看懂了以下内容：

SVM系列（一）hard-margin SVM 详细原理 https://blog.csdn.net/Lee_Yu_Rui/article/details/107420870

SVM系列（二）soft-margin SVM 详细原理以及一点点的kernel SVM https://blog.csdn.net/Lee_Yu_Rui/article/details/107436175

hard-margin 求解实例

到目前为止，三种SVM的原理都已经阐述明白。可能你发现，好像还没有算出来呢？先以一个简单的低维度数据为例看一下整个的求解过程，

$min _{\mu} \frac{1}{2}\sum_{i=1}^{N}\sum_{j=1}^{N} \mu_{i}y_{i}\mu_{j}y_{j}\kappa (x_{i},x_{j})-\sum_{i=1}^{N} \mu_{i}$

s.t. $\mu_{i} \geqslant 0$ and $\sum_{i=1}^{N} \mu_{i}y_{i}=0$

总结KKT条件，在整个过程中的限制条件：按照（11）可得

$\frac{\partial L(w,b,\mu) }{\partial w} = 0$ , $\frac{\partial L(w,b,\mu) }{\partial b} = 0$ , $\frac{\partial L(w,b,\mu) }{\partial \mu} = 0$ ,

$g(x_{i})\leqslant 0$

$\mu_{i} \geqslant 0$

最低0.47元/天解锁文章

关注

1
点赞
踩
9

收藏

觉得还不错? 一键收藏
打赏
3
评论
（保证能看晕系列）SVM系列（三）hard-margin 求解实例 + SMO算法详细原理

SVM系列（一）hard-margin SVM 详细原理 https://blog.csdn.net/Lee_Yu_Rui/article/details/107420870SVM系列（二）soft-margin SVM 详细原理以及一点点的kernel SVM https://blog.csdn.net/Lee_Yu_Rui/article/details/107436175hard-margin 求解实例到目前为止，三种SVM的原理都已经阐述明白。可能你发现，好像还没有算出来呢？先以一个简.
复制链接

扫一扫

专栏目录

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

Lee_Yu_Rui 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。