本文解析了在SVM（支持向量机）中，为何通常假设正平面上的最近点满足wx+b=1，负平面上的最近点满足wx+b=-1。通过从三维角度理解判决函数d(x)=wx+b，阐述了在保持判决线位置和边缘宽度不变的情况下，可以任意设定wx+b的值而不影响结果。这种假设简化了问题，但并不改变支持向量机的核心——找到最大边缘。
在学习svm的过程中，很多人可能对其推导的第一步假设就开始出现疑惑，
即各种资料都是假设正平面上距离判决线最近的点在wx+b=1上，而负平面上距离判决线最近的点在wx+b=-1上
然后在这个假设的基础之上开始进行推导，得出支持向量机最大边缘应该为：2/sqrt(wT*w)
之后，将边缘宽度(margin width)最大化。
到这里最大的疑惑就是假设wx+b=±1的依据是什么，基本上所有的资料都没有点出这一点，导致了疑惑。
假设wx+b±1的依据是什么。其实这个问题并不是什么大问题，只是一时没想到而已。
对于这个问题，我认为从第三维的角度上会好理解一点。如果我们现在有一个判决函数d(x)=wx+b
将x1,x2两维看成两个自变量，带入函数之后，得到穿过判决线的一个平面
我们的目标点为图内圆的中心。其中，
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
