课程地址:http://cs231n.github.io/linear-classify/
线性分类器
假设样本
xi∈RD,i=1…N
,对应类标签
yi∈1…K
。现定义一个线性映射
f(xi,W,b)=Wxi+b
,
W
是
- W 的每一行都是一个分类器,每个分类器对应于一个得分。
- 通过学习
W 和 b ,我们希望正确类的得分要大于错误类的得分。 相对于KNN,一旦训练得到
W 和 b ,我们只需将其固定,测试阶段直接用即可,就不再需要测试样本与训练样本再做比较,测试速度自然快上不少。
将图片的三维张量拉伸成列向量,则一张图片就可以表示成空间中的一个(带类标签)点。如此看来
如果令
W=[W,b]
,
xi=[xTi,1]T
则
f=Wxi
机器学习中常将输入特征标准化。
Loss function
损失函数(loss function)也叫代价函数(cost function)或目标函数(objective)
多类SVM
对于样本
i
,定义第
若
W
能正确分类所有的样本,则