支持向量机简述

1.目标

支持向量机本质上解决二分类问题(也可以用于多分类,即多次二分类问题)

2.原理

支持向量机即找到一个分界面,放在两个类别之间,将两类分别开。

如:二维上,是一条直线

三维上,是一个平面

如果在低维不可分时,就通过核函数把低维数据映射到高维,高维上变线性可分之后,在高维上利用支持向量进行分类即可。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
支持向量机(Support Vector Machine, SVM)是一种二分类模型,其工作原理如下: 1.寻找最优分类超平面 SVM的目标是寻找一个最优分类超平面,使得该超平面能够将不同类别的数据分隔开来,并且离超平面最近的数据点到该超平面的距离最大。这个距离被称为间隔,SVM选择最大化间隔来寻找最优分类超平面。 2.将超平面转化为对偶问题 SVM将最优分类超平面的求解转化为对偶问题,使用拉格朗日乘子法来解决。将原问题中的约束条件转化为拉格朗日乘子,即使用一系列乘子来表示约束条件的影响。通过求解拉格朗日乘子,可以得到最优分类超平面。 3.使用核函数进行非线性分类 当样本数据无法用线性超平面分隔时,SVM可以使用核函数将样本数据映射到高维空间中进行分类。最常用的核函数有线性核、多项式核和径向基核(RBF)等。 4.模型参数优化 SVM的目标是最大化间隔,可以使用凸优化算法来求解。当使用核函数进行非线性分类时,需要对核函数的参数进行调优,以达到最好的分类效果。 5.模型预测 当SVM模型训练完成后,即可使用该模型来对新的数据进行分类预测。 总体来说,SVM的工作原理是寻找最优分类超平面,使得该超平面能够将不同类别的数据分隔开来,并且离超平面最近的数据点到该超平面的距离最大。SVM可以使用核函数进行非线性分类,通过优化算法求解最优分类超平面。
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