1、间隔与支持向量
#找到划分超平面:两类训练样本正中间,线性方程:
w为法向量,b为位移项,划分超平面可以被wb确定
#点到超平面距离:
#支持向量
#最大化间隔——支持向量机的基本型
2、对偶向量
重要性质:训练完成后,大部分训练样本不需要保留,最终模型仅与支持向量有关
#SMO算法
3、核函数
#线性可分,映射到更高维的特征空间
核函数选择成为支持向量机的最大变数
4、软间隔与正则化
5、支持向量回归
#考虑回归
类似6.7
6、核方法
#通过核化进行非线性拓展
#找到划分超平面:两类训练样本正中间,线性方程:
w为法向量,b为位移项,划分超平面可以被wb确定
#点到超平面距离:
#支持向量
#最大化间隔——支持向量机的基本型
重要性质:训练完成后,大部分训练样本不需要保留,最终模型仅与支持向量有关
#SMO算法
#线性可分,映射到更高维的特征空间
核函数选择成为支持向量机的最大变数
#考虑回归
类似6.7
#通过核化进行非线性拓展