关于支持向量机(SVM)I型中,对任意
x
0
x_0
x0来说,为何
x
0
x_0
x0到超平面
ω
T
X
+
b
=
0
\omega^TX+b=0
ωTX+b=0的距离公式中,必满足以下式子:
∣
ω
T
x
0
+
b
∣
=
1
|\omega^Tx_0+b|=1
∣ωTx0+b∣=1,???
其实可以这样看:
对任意一个点
x
0
x_0
x0,其位于超平面
ω
T
x
+
b
=
m
\omega^Tx+b=m
ωTx+b=m这个平面上,点
x
0
x_0
x0到超平面
ω
T
X
+
b
=
0
\omega^TX+b=0
ωTX+b=0的距离为:
d
=
∣
ω
T
x
0
+
b
∣
∣
∣
w
∣
∣
=
∣
(
ω
/
m
)
T
x
0
+
b
/
m
∣
∣
∣
w
/
m
∣
∣
=
1
ω
/
m
d=\frac{|\omega^Tx_0+b|}{||w||}=\frac{|(\omega/m)^Tx_0+b/m|}{||w/m||}=\frac{1}{\omega/m}
d=∣∣w∣∣∣ωTx0+b∣=∣∣w/m∣∣∣(ω/m)Tx0+b/m∣=ω/m1
但是,即使你最大化这个d,最终目的是也是为了求得超平面参数
ω
/
m
\omega/m
ω/m,而实际上对于确定的数据集,m的值是已知的。并且
(
ω
/
m
,
b
/
m
)
(\omega/m,b/m)
(ω/m,b/m)与超平面参数
(
ω
,
b
)
(\omega,b)
(ω,b)均表示的是同一个平面。所以可以认为SVM的目的就是最大化
1
/
∣
∣
ω
∣
∣
1/||\omega||
1/∣∣ω∣∣
I型支持向量机SVM距离公式推导
最新推荐文章于 2023-05-23 21:36:57 发布