机器学习算法(5)之支持向量机的详细版

本文详细介绍了支持向量机(SVM)的核心概念,包括函数间隔与几何间隔、支持向量、SVM的目标函数与优化、软间隔最大化以及各类核函数。通过讲解SVM如何处理线性可分与不可分数据,揭示了其在非线性分类中的优势。此外,还总结了SVM的算法流程、参数调整以及优缺点,为理解和应用SVM提供了全面的指导。
摘要由CSDN通过智能技术生成

目录

一、函数间隔与几何间隔

二、支持向量

三、SVM模型目标函数与优化

四、线性可分SVM的算法过程

五、线性SVM的软间隔最大化

六、线性SVM软间隔最大化目标函数的优化

七、软间隔最大化时的支持向量

八、合页损失函数

九、线性不可分支持向量机与核函数

核函数的引入

线性核函数

多项式核函数

高斯核函数

Sigmoid核函数

十、分类SVM的算法小结

十一、支持向量机算法参数

十二、SVM总结



一、函数间隔与几何间隔

在正式介绍SVM的模型和损失函数之前,我们还需要先了解下函数间隔和几何间隔的知识。

  在分离超平面固定为w^{T}x+b=0的时候,|w^{T}x+b|表示点x到超平面的距离。通过观察w^{T}x+b和y是否同号,我们判断分类是否正确,这些知识在感知机模型里有。这里我们引入函数间隔的概念,定义函数间隔\gamma ^{'}为:

       

  • 5
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
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

打赏作者

且行且安~

你的鼓励将是我创作的最大动力

¥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

打赏作者

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