机器学习中的算法（4.3）：SVM----针对线性不可分问题理解

最新推荐文章于 2024-03-11 14:02:23 发布

Upupup6

最新推荐文章于 2024-03-11 14:02:23 发布

阅读量775

点赞数

分类专栏： Machine Learning

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/m0_37957160/article/details/118056572

版权

Machine Learning 专栏收录该内容

84 篇文章 15 订阅 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了SVM在面对线性不可分问题时如何通过引入松弛变量解决优化问题，讨论了目标函数的变化和超参数C的作用。在非线性分类中，SVM通过将数据映射到高维空间实现线性可分，从而提高分类能力。

摘要由CSDN通过智能技术生成

在线性可分的情况下，优化问题是有解的；在线性不可分的情况下，优化问题是没有解的。即不存在 $(w,b)$ 满足N个限制条件（限制条件是在线性可分的情况下满足的）；而对于线性不可分的情况，我们需要适当的放松限制条件，使得最优化问题变得有解。

放松限制条件的基本思路：

（1）对于每一个训练样本及标签 $(x_{i},y_{i})$ ，我们需要设置一个松弛变量(slack variable) $\delta _{i}$ ，这样可以把上边不等式的限制条件放松为 $y_{i}(w^{T}x_{i}+b)\geq 1-\delta _{i},(i=1\sim N)$ ；因为在线性不可分的情况下，我们没有可能让所有的

了解本专栏

超级会员免费看

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
打赏
0
评论
机器学习中的算法（4.3）：SVM----针对线性不可分问题理解

在线性可分的情况下，优化问题是有解的；在线性不可分的情况下，优化问题是没有解的。即不存在满足
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

Upupup6 写手不易请留下你的打赏鼓励谢谢

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

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。