- SVM和KNN分类的对比
- KNN:确定一个k值,判断某个元素属于哪类(临近原理)(分类算法)
- SVM:(分类算法)先找到决策边界,再看元素属于哪一类
- SVM分类原理
- 先找支持向量积,再找决策边界
- 支持向量越小越好,排除离自己最近的雷才安全(要考虑离自己最近的雷才安全)
- 决策边界越大越好,路越宽,才能行动快,更不易踩雷
- 1.距离计算(点到面的距离)
- 确定点,假设面
- 2.目标函数
- 2.1:找到一条线,使得离该线最近的点能够最远。
- 放缩变换和优化目标
- 3.部分数学原理
- 拉格朗日乘子法,在约束条件下求极值的问题
- 简化最终目标函数
- 4.软间隔优化
- 考虑一些异常的噪音,让分类更合理。(引入松弛因子)
- 目标函数的变化(能够体现容错能力)
- 5.核函数
- 升维,二位的变成三维的,可能能够很好的用平面分开。
深度学习-SVM算法
最新推荐文章于 2024-09-10 00:00:00 发布
本文详细探讨了SVM(支持向量机)和KNN(K近邻)两种分类算法的区别。SVM通过寻找最优决策边界实现分类,强调支持向量的重要性,而KNN则依赖于样本的邻近关系进行分类。SVM的目标是最大化决策边界,确保分类的稳健性,同时通过软间隔处理异常值。此外,核函数的应用使得SVM能在高维空间中有效分离数据。
摘要由CSDN通过智能技术生成