SVM
给定训练数据集 T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . ( x N , y N ) } T=\{(x_1, y_1),(x_2,y_2),...(x_N,y_N)\} T={
(x1,y1),(x2,y2),...(xN,yN)}和超平面 ( w , b ) (w,b) (w,b),若用SVM求解需要首先确定 T T T可由超平面 ( w , b ) (w,b) (w,b)线性可分,如果非线性可分,需要先选择核函数做变换,使得变换后的训练集由超平面线性可分。
支持向量到超平面的距离为所有训练集到超平面的距离的最小值
γ = min i = 1 , 2 , . . . N γ i \gamma=\min\limits_{ i=1,2,...N}\quad \gamma_i γ=i=1,2,...Nminγi,
支持向量机做的是最大化 γ \gamma γ,即
max w , b γ \max\limits_{w,b} \quad \gamma w,bmaxγ
s . t . y i ( w ∣ ∣ w ∣ ∣ ⋅ x i + b ∣ ∣ w ∣ ∣ ) ≥