SVM超平面

最新推荐文章于 2024-06-15 10:04:19 发布
最新推荐文章于 2024-06-15 10:04:19 发布
阅读量802 收藏
点赞数
分类专栏： 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/Young__Fan/article/details/85272650
版权

应用在SVM的是仿射超平面。仿射超平面可以不通过原点。

(1)b 是一个实数，代表超平面到原点的距离。
(2)超平面一定过原点 。
(1)和（2）自相矛盾，都必过原点了，还有什么到原点的距离，b=0，必过原点，b不等于0时，肯定不过原点。 真实情况：应用在SVM的是仿射超平面。仿射超平面可以不通过原点。

参考：https://blog.csdn.net/dengheCSDN/article/details/77313758
https://blog.csdn.net/weixin_41877956/article/details/81531625

Young__Fan
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
欧氏平面,仿射平面和射影平面的比较
11-27
欧氏平面,仿射平面和射影平面的比较 欧氏平面,仿射平面和射影平面的比较
可视化SVM分类器中的超平面：可视化SVM分类器中的超平面，使用3个变量的SVM，将分类时的分离面可视化。-matlab开发
05-29
[英语] 本示例描述了支持向量机中用于分类的超平面，该代码是参考官方文档“Support Vector Machines for Binary Classification”创建的，如下所示。 ( ...
谈谈超平面（hyperplane）
gxiaob的专栏
01-12 6942
本文转自http://bubblexc.com/y2011/310/ 有些东西，还是说清楚的好，比如超平面（hyperplane）这个东西。 直线、平面 在说超平面之前，先说说 Rn 空间中的直线和平面。给定 Rn 空间中的一点 p 和一非负向量 v⃗ ，满足 i=tv⃗+p 的点 i 的集合称为 Rn 空间中的一条直线。上式中 t 是
支持向量机（SVM）之超平面（Hyperplane）
最新发布
m0_51200050的博客
06-15 552
支持向量机（SVM）之超平面（Hyperplane）
第三节- 超平面
qq_14952615的博客
11-05 1403
这一节我们来讲一个新的东西，叫做 超 平面( hyper-plane)。 其实这个东西本身并不难理解。 只是我们在三维直角坐标系里面习惯了 直线 平面什么的，可能有些疑惑而已。 老规矩，我们先甩出定义： 超平面 hyperplane 看起来，超平面是这样的一些‘ 点 ’， 满足关系Sx = b， 通常S 与 b呢又是常数。 这个东西看起来是不是和直线的定义有点像啊。 是的，本质上就是一个线性关系。 其实以前高中定义的平面也是一个线性关系。 我们说 ax + by +cz = d 是一个平...
线性支持向量机，超平面的绘制
weixin_43890188的博客
02-19 788
from sklearn.svm import SVC from matplotlib.pyplot import plt import pandas as pd import numpy as np from sklearn.datasets import make_blobs X,Y=make_blobs() model=SVC(kernel='linear') x=np.linspace(X...
超平面（Hyperplane）
kl195375的博客
08-30 797
（向量）超平面是n维欧氏空间中余维度为一的线性子空间,也就是（n-1）维度，同时n>3才被称作“超”平面。 是一种纯粹的数学概念，不是现实的物理概念。 因为是子空间，所以超平面一定经过原点（所有向量减去本身是零向量，所有非空子空间都会包括零向量） ...
svm.zip_Z3J_svm matlab_svm优化_svm超平面
09-24
它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射...它基于结构风险最小化理论之上在特征空间中构建最优超平面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。
用遗传算法求SVM的最优超平面
06-17
### 用遗传算法求SVM的最优超平面 #### 最优超平面的概念 支持向量机（SVM）是一种在小样本数据集上表现优异的学习算法。它的核心思想在于找到一个能够最大程度地区分不同类别数据的分类边界，即最优超平面。在二...
机器学习之svm
01-04
svm 向量机 机器学习 svm 向量机 机器学习 svm 向量机 机器学习 svm 向量机 机器学习
SVM_SVM_
10-01
SVM最初由Vapnik和Cortes在1995年提出，其核心思想是找到一个最优超平面，使得不同类别的样本点能够被最大程度地分开。在二维空间中，这个超平面可以理解为一条直线；在高维空间中，则可能是一些复杂的决策边界。 *...
学习笔记——超平面
xiaojuzitou的博客
03-03 1382
“超平面是n维欧氏空间中余维度等于一的线性子空间，也就是必须是(n-1)维度。因为是子空间，所以超平面一定经过原点。” 为什么超平面一定经过原点？ 【《矩阵论》戴华编著】 定理1.4.1 数域P上线性空间V的非空子集W是V的一个线性子空间当且仅当W对于V的两种运算封闭，即 （1）如果α，β∈W，则α+β∈W； （2）如果k∈P,α∈W，则kα∈W； ...
漫步凸分析一——仿射集
蜗牛
11-25 6981
§1 \S1\ 仿射集本文中，用RR表示实数，RnR^n表示实nn元x=(ξ1,…,ξn)x=(\xi_1,\ldots,\xi_n)的向量空间，除非特别指明，否则都是在RnR^n中讨论。在RnR^n中两个向量x,x∗x,x^*的内积表示成 ⟨x,x∗⟩=ξ1ξ∗1+⋯+ξnξ∗n \langle x,x^*\rangle=\xi_1\xi_1^*+\cdots+\xi_n\xi_n^* 符号AA
数据挖掘第6周
F_teenage_youth的博客
10-28 92
SVM（Support Vectors Machine） 仿射超平面：在n维空间中，自由度为(n-1)的一个“面”。在二维平面中，超平面是一条线；三维空间中，超平面是一个面；当n>3时，超平面仅为纯粹的数学概念。在n维空间中，超平面定义为 ，其中均为n维列向量，。 显然向量垂直与超平面。 在机器学习中，超平面将两个不相交的凸集分开。显然满足这样条件的超平面在n维空间中有无数个，但是与两个凸集间隔最大的超平面只有一个。 对于空间中任一点到超平面的距离，我们要求最大间隔，便要最大，经过一系列的化
SVM笔记1：SVM中超平面的理解！
AI新视界
11-03 5808
一、什么是超平面 以上是三维为例子。通过查阅资料对超平面有了一定的认识， 维空间中的超平面由下面的方程确定: 其中，和都是 维列向量，为平面上的点， 为平面上的法向量，决定了超平面的方向，...
关于超平面过不过原点的问题的看法
weixin_41877956的博客
08-09 2630
近日，在学习k-d tree的过程中，遇到了“超平面”这个词。k-d树算法中用“超平面”划分空间。 根据百度百科对“超平面”的定义：“超平面是n维欧氏空间中余维度等于一的线性子空间，也就是必须是(n-1)维度。这是平面中的直线、空间中的平面之推广（n大于3才被称为“超”平面），是纯粹的数学概念，不是现实的物理概念。因为是子空间，所以超平面一定经过原点。” 但是k-d tree中划分空间的“超平...
svm系列之最大分隔超平面
丁磊_ml的博客
07-24 8511
svm 最大分隔超平面
超平面、半空间、多面体的辨析
hyl1181的博客
12-21 2977
超平面 超平面是具有以下形式的集合：，其中。即超平面是非平凡的线性方程的解空间，超平面是一个仿射集合。 中由法向量和超平面上一点确定的超平面。对于超平面上任意一点（如深色箭头所示）都垂直于。 半空间 一个超平面将划分为两个半空间。（闭的）半空间是具有以下形式的集合：，其中。即半空间是非平凡的线性不等式的解空间，半平面是凸的，但不是仿射的。 上由定义的超平面决定了两个半空间。由决定的半空间(无阴影)是向扩展。由确定的半空间（阴影所示）向方向扩展。向量是这个半空间向...
凸优化笔记（一）：仿射集，凸集与锥
热门推荐
谢小小XH
03-11 2万+
一.直线和线段设为空间中的两个点。直线： 线段： 二.仿射集（Affine Set）凸集（Convex Set）和锥（Cones）仿射集仿射集：通过集合中任意两个不同点的直线仍然在集合C中，则集合C是仿射的。即 也可以理解为C包含了C中任意两点的系数之和为1的线性组合。仿射组合：把具有形式的点称为的仿射组合，其中。仿射集推广： 一个仿射集合包含其中任意点的仿射组合。 仿射集的例子：
svm超平面分类示意图
07-27
回答: SVM超平面分类示意图如下图所示。在这个示意图中，有两类样本数据（橙色和蓝色的小圆点），中间的红线是分类超平面，两条虚线上的点（橙色圆点3个和蓝色圆点2个）是距离超平面最近的点，这些点即为支持向量。支持向量在SVM中非常重要，其他的样本点可以视而不见。通过这个分类超平面，SVM可以将样本数据一分为二，实现分类的目的。\[3\] #### 引用[.reference_title] - *1* *2* *3* [SVM通俗详解](https://blog.csdn.net/qq_42363032/article/details/107210881)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值