感谢
https://www.bilibili.com/video/av10590361/?p=31&t=183
当模型所使用的假设函数是线性函数时:
f(x;W,b)=WX+b
(1)在使用square loss平方误差损失+L2 normalization时,就是linear regression/ridge regression (岭回归:解法:最小二乘给出解析解或梯度下降)
(2)在使用sigmoid+cross entropy交叉熵作为损失函数时,就是logistic regression(逻辑回归)
(3)在使用hinge loss合页损失作为损失函数时,就是Linear SVM(线性的支持向量机)
最原始的SVM是线性分类器,对于线性不可分的问题,将原始数据所在的特征空间映射到高维特征空间中,得到线性可分的数据。最原始的SVM(不带有核方法)只能处理线性可分的问题。对于n维特征空间,线性分类器就是n-1维的超平面,
支持向量机中margin的概念:margin间隔,是对于某个固定参数的SVM线性分类器而言的,它指的是,将分类超平面平移一定范围内,这个范围内不能包含任何样本数据,即保证当前数据集中的样本不被分错,而超平面所能平移的最大范围。而超平面所能平移到的边界点就是支持向量(support vector)。