模式识别和机器学习的区别:
模式识别是特征表示+人工总结特征规律(即模式)描述
机器学习 是特征表示+海量样本=自己学习特征
SVM相关
https://www.cnblogs.com/alan666/p/8311840.html
当C越大,越严格,容错变小,泛化能力变小;当选择高斯核函数的时候,随时R参数调大,准确高提高,最终有过拟合风险。
SVM(Support Vector Machine)中文名为支持向量机
https://blog.csdn.net/fuqiuai/article/details/79483057
感知器模型和逻辑回归:
逻辑回归(虽然称作回归,但是不是一个回归方法,却是一个分类算法。很蛋疼的说)将线性分类器的超平面方程计算结果通过logistic函数从正负无穷映射到0到1。这样,映射的结果就可以认为是分类器将x判定为类别1的概率,从而指导后面的学习过程。
举个例子,看天气预报,用感知器的天气预报只会告诉你明天要下雨(y=1),或者明天不下雨(y=-1);而用了逻辑回归的天气预报就能告诉你明天有90%的概率要下雨,10%的概率不下雨。
我们认为,已有的训练数据中,每个元素距离分离超平面都有一个距离。在添加超平面的时候,尽可能的使最靠近分离超平面的那个元素与超平面的距离变大。这样,加入新的数据的时候,分的准的概率会最大化。感知器模型和逻辑回归都不能很好的完成这个工作,该我们的支持向量机(support vector machine,SVM)出场了。
用一根线 就能把空间划分开的分类 ,线性分类器。
https://blog.csdn.net/v_JULY_v/article/details/7624837
核函数 低维向高维映射的理解