这是我的第一篇使用markdown的博客，我一定要写这么一句话
今天看完了andrew ng的SVM，觉得很有意思，其实主要的内容可以看我的参考资料1，不过有两点还是思考了一下：
1.如何通过C来控制margin
对于C来说，如果是为了控制margin，那么其实通过C可以控制其过拟合以及acc的效果，那么是通过什么来实现的呢？实际上是通过loss来实现的，如果C很大，那么错一个对象，就会loss很大，所以如果C很大，会产生过拟合的情况；如果C很小，那么就会使得对于错误样本的惩罚比较小，这样能够增强泛化能力，但是准确率会相对降低。
所以通过控制C，过大则会过拟合，虽然训练的时候acc很高；过小则会acc不足，欠拟合。
最后学习到的内容是theta，也就是在新的空间中的一个权重的分布。
2.对于m和n的关系问题
n表示原始特征的数目
m表示锚点的数目
如果n相对于m很大，那么原始数据中就可能包含进行划分的特征组合，强行降维也许并不是那么好。
如果n相对于m很小，就那么点儿数据，巧妇难为无米之炊，再怎么升高维度，也不过是原始数据的组合。
如果m和n相差不大，那么映射到另一个空间中，可能一定程度上减少原来数据中的干扰。
这其实让我想起了一个室内定位的方法，我已经忘记了具体的实现，但是主要的思路是这样的。如果通过rssi技术来定位，那么误差比较大，所以通过在室内首先找几个确定的位置来记录其在多个锚点的rssi的强度向量。这几个确定的位置作为一个基准，每一个新的需要测量的位置点，我也记录其rssi的向量，然后通过向量的距离来判断可能和哪个点比较近似。
这两个场景都是类似的思想，我认为。在室内定位中，实际的rssi的分布可能并不如理论上的那么好，所以实测比较准确，所以不是从原始数据进行判断，而是和在这个空间中的几个基准点进行判断，而这几个基准点有准确的label。
在svm中，原始数据也可能有一些误差，因此通过一些基准点映射到一个新的空间上，使得其能够在新的空间中进行划分，这样能够相对准确。前提是，数据信息并不会损失太多。
参考资料：
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
