深度学习小白——线性分类（SVM）

最新推荐文章于 2023-12-17 16:49:33 发布

MargaretWG

最新推荐文章于 2023-12-17 16:49:33 发布

阅读量1.5k

点赞数

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/MargretWG/article/details/64918476

版权

一、评分函数

$\displaystyle f(x_i,W,b)=Wx_i+b$ ----f为评分函数，即Rd-->Rk的映射，d是特征维数，k是类别数

W是权重，b是偏差向量，W是k*d维的，每一行代表一个分类器

若b=0，则所有的分类器都不得不过原点，这样是不好的，所以要加上这个偏差b

一般实际操作中，将w和b放到一个矩阵中，所以就要向x中增加一个维度，设为常量1，这就是默认的偏差维度

$\displaystyle f(x_i,W)=Wx_i$

二、损失函数 Loss Function（代价函数 cost Function / 目标函数 objective ）

用来衡量我们对结果的不满意程度。

针对第i个数据的多类SVM的损失函数定义如下：

$\displaystyle L_i=\sum_{j\not=y_i}max(0,s_j-s_{y_i}+\Delta)$ ‘

从表达式中可以看出，当syi >= s

最低0.47元/天解锁文章

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
深度学习小白——线性分类（SVM）

一、评分函数----f为评分函数，即Rd-->Rk的映射，d是特征维数，k是类别数W是权重，b是偏差向量，W是k*d维的，每一行代表一个分类器若b=0，则所有的分类器都不得不过原点，这样是不好的，所以要加上这个偏差b一般实际操作中，将w和b放到一个矩阵中，所以就要向x中增加一个维度，设为常量1，这就是默认的偏差维度二、损失函数 L
复制链接

扫一扫

评论

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

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。