前言
此篇文章为B站浙大机器学习课程支持向量机部分的个人笔记,不喜勿喷。笔记顺序从线性模型到非线性模型,层层递进,十分易懂。
一、线性模型
先从一个简单二维线性模型开始。
可以简单的认为,就是找到一条线,并让这条线到两边的距离都为d/2,而在虚线上的点,就叫做支持向量。
- 接着提升到三维空间里,就可以认为是找到一个平面,并让这个平面到两边的距离都为d/2,而距离这个平面d/2的点,就叫做支持向量。
- 最后 扩展到高维空间里,就可以认为是找到一个超平面,并让这个超平面到两边的距离都为d/2,而距离这个平面d/2的点,就叫做支持向量。在高维空间中,点的表示为(x1,x2,…,xn),所以通常把高维空间中的点叫做向量。
因此,我们可以得到支持向量的定义:
-
训练数据及标签:(x1, y1), (x2, y2) …
注意:这里的x1是高维空间的坐标,是一个向量,可以表示为
x1 = [x11, x12, x13, … , x1n]T。而y1是标签,y1 只能为