机器学习(4)：支持向量机

最新推荐文章于 2023-11-05 16:31:34 发布

昵称五个字

最新推荐文章于 2023-11-05 16:31:34 发布

阅读量167

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/a617976080/article/details/83003409

版权

机器学习专栏收录该内容

8 篇文章 0 订阅

订阅专栏

概述

优点：泛化错误率低，计算开销不大，结果易解释。
缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。
适用数据类型：数值型和标称型数据。

分隔超平面：将数据集分隔开的平面。

支持向量：离分隔超平面最近的那些点。

寻找最大间隔

分隔超平面的形式可以写成 $\omega ^{T}x+b$ 。

现在的目标是找出定义中的w和b。为此，我们必须找到具有最小间隔的数据点，而这些数据点也就是前面提到的支持向量。一旦找到具有最小间隔的数据点，我们就需要对该间隔最大化。这就可以写作：

$arg\underset{w,b}{max}\{\underset{n}{min}(label\cdot (\omega ^{T}x+b))\cdot\frac{1}{\left \| \omega \right \|}\}$

使用拉格朗日乘子法可以将目标函数写成：

$\underset{a}{max}[\sum_{i=1}^{m}\alpha - \frac{1}{2}\sum_{i,j=1}^{1}label^{(i)}\cdot label^{(j) }\cdot \alpha_{i} \cdot \alpha_{j}<x^{(i)},x^{(j)}>]$

再引入松弛变量，则约束条件变为：

$C\geq \alpha \geq 0$ ,和 $\sum^{m}_{i=1}\alpha_{i}\cdot label^{(i)}=0$

SMO算法

昵称五个字

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
机器学习(4)：支持向量机

概述优点：泛化错误率低，计算开销不大，结果易解释。缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。适用数据类型：数值型和标称型数据。分隔超平面：将数据集分隔开的平面。支持向量：离分隔超平面最近的那些点。寻找最大间隔分隔超平面的形式可以写成。现在的目标是找出定义中的w和b。为此，我们必须找到具有最小间隔的数据点，而这些数据点也就是前面提到的支...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。