1.支持向量机SVM本身是做线性分类的算法,也可以做非线性的分类(升维)对感知机算法模型的扩展。
感知器要求数据集是线性可分的
2.在高维空间找到m个样本作为支持向量,支撑起一个超平面,这个超平面就是分界。
3.逻辑回归本质也是线性的分类器,但是它可以做非线性的分类(升维)。
4.在集成学习前,SVM是分类领域比较流行的算法。
5.感知器判别式
感知器是x与模型θ相乘,如果大于0,即归为正类,如果小于0,就归为负类,这样就没有概率意义,感知器是期望使分类错误的所有样本到超平面的距离之和最小,对于感知器的算法来说就是把分错的样本求出来,将所有分错的样本到超平面的距离求出来尽可能小。
逻辑回归是x与模型θ相乘后在经过sigmoid函数将结果映射到0-1之间的概率,这样概率就可以相乘通过最大似然估计求的损失函数。
6.几何距离和函数距离
几何距离就是一个公式求得点到平面的距离
(对于分类正确的点,γ必然是大于等于零的)
函数距离是比较两个点的相对距离(SVM用的是函数距离)
7.
SVM和感知机相同的点
也是通过寻找超平面解决二分类问题的算法
一侧的点计算分数是负例,另一侧的点结果分数是正例
SVM和感知机不同的点
感知机通过判断错的点寻找超平面,逻辑回归是通过最大似然寻找超平面,SVM是通过支持向量寻找超平面
感知机和逻辑回归都是通过最小化损失函数得到θ,SVM有两种一种是最小化损失函数(合页损失),另一种是寻找支持向量
8.SVM思想
找到离超平面最近的点到超平面的距离越远越好,SVM尝试找到一个决策边界,在分对的前提下距离两个类别最近的样本最远(这是有约束条件的一个二次优化问题),通过离超平面最近的点越远越好最终确定的超平面的泛化能力最好。
离超平面最近的点就是支撑向量。