Support Vector Machines基础
1 SVM的优缺点:
1.1 优点:
- 高维空间适用
- 当特征数量大于样本数量时仍适用
- 支持向量是训练集子集,省空间
- 可选核函数适用不同的实际训练情况
1.2 缺点:
- 特征数大于样本数容易过拟合
- 不能给出类别的概率输出
2 分类(SVC):
2.1 支持向量机公式:
这实际上是具有软间隔的SVM的表达形式,其中xi是训练的向量,y是类别标签,值为1或-1.
其对偶形式为:
(直接传图了)
对偶形式的由来:
当我们有了SVM的基本模型之后,需要考虑的是如何去求解这个模型,这是算法的关键。
对于这种带约束的凸优化问题(这里SVM的模型是凸的),可根据拉格朗日乘子法得其对偶形式(具体可以参考凸优化相关书籍或者《机器学习》)。使用拉格朗日乘子法,就要引