Large Margain Separating Hyperplane
该节课的重点就是推导出 hard margin 的Linear SVM
对于线性分类器而言 例如感知机模型 如果测试数据和训练数据分布完全一致 那么上述三个分类器对于分类结果不会产生区别 但是在实际使用的过程中难免会有误差的存在 因此对于误差的容忍度也是度量一个分类器的重要标准
对于上述不同的分类器 对于数据的容忍度是不同的 所谓容忍度 是指分类器距离最近的样本之间的距离
换个角度 如果要找一个分类器到所有的分类样本之间的距离都很大 则该分类器和所有样本之间的Margin都很大,即这条线是很‘胖’的
接下来要做的是将上述语言转化为公式表达
maxw fat(f(w))
fat(f(w))= minn=1,2,3,4…ndistance(xn,f(w))
上述式子只是增加了一个限制 首先要保证的是正确性 即:
Y=sign(Xw)
转化之后
假定我们已经拥有这样一个平面
wTx+b=0 求 distance&