线性可分支持向量机、线性支持向量机、非线性支持向量机的区别

线性可分支持向量机:

    线性可分支持向量机处理的是严格线性可分的数据集。

    其分类超平面为:

    相应的决策函数为:或者

    其学习的优化问题为:

线性支持向量机:

    线性支持向量机处理的是线性不可分的数据集。对于线性支持向量机的优化问题,就是在线性可分支持向量机的基础上加了一个松弛变量。

    其学习的优化问题为:

    

    所求的的分类超平面和决策函数与线性可分支持向量机相同。

非线性支持向量机:

    非线性支持向量机引入了核函数。分类决策函数变为:



  • 3
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
线性可分支持向量机(Linearly Separable Support Vector Machine, LSSVM)和线性支持向量机(Linear Support Vector Machine, SVM)是两种基于支持向量机(SVM)的学习模型,它们都用于解决分类问题,但处理的数据类型和假设条件有所不同。 **线性可分支持向量机**: - 假设数据集在二维或更高维度空间中是线性可分的,即存在一个超平面可以完全分开两类样本。 - LSSVM的目标是找到这个最优超平面,使得两类样本到该超平面的距离最大化(这就是所谓的最大边距),这样可以提高模型的泛化能力。 - 当数据是线性可分时,LSSVM可以直接找到一个明确的决策边界。 **线性支持向量机**: - 同样处理线性分类问题,但它没有线性可分的限制,即使数据在原始空间是线性可分的,可以通过核技巧(kernel trick)将数据映射到高维空间,在那里可能会变得线性可分。 - 在这种情况下,LSSVM会找到最优的线性分类器在特征空间的表示,而不需要知道具体的映射函数。 总结来说,线性可分SVM假设数据在原空间就是线性可分的,而线性SVM则可以在非线性空间中找到最佳分类边界。线性SVM更加强调对复杂决策边界的适应性,而线性可分SVM则更注重在简单模型下获得最大的分类间隔。如果数据实际是线性可分的,那么两者可能表现相似;否则,线性SVM的泛化能力和鲁棒性会更强。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值