最近学习了支持向量机, 小生才疏学浅, 真的看不懂诶, 只好以应用的方式去理解了. 木有关系, 只要我们会用就好, 理解放到以后把!
多说一句, 如果你真的想学会它的化, 学会二次规划, KKT就容易多了.
先说一下支持向量机能干什么, 可以分类. 比如一下, 你有一些嫌疑犯样本, 它们有n个体貌特征, 这些嫌疑犯分为 犯过罪与没犯过罪 两类, 假设特征与是否犯罪是有关系的奥, 你可以根据样本训练出支持向量机, 这个向量机可以根据特征判断未知的人是否犯过罪.
支持向量机分4种数学模型, 线性可分, 线性不可分, 非线性可分, 非线性不可分.
按照上面的顺序, 第一个发现不行, 用第二个就可以了, 依此类推.
下面非常弱智地把他们四个讲解一下, 以便大家使用,
线性可分
这是最简单的一种, 就是用一条线, 把不同特性的样本完全分开.
线性不可分
不能按照上面的情况完全分开, 这时候我们进行一些软化操作, 允许一些不可分的特例 这种方法称为软间隔.非线性
这种情况样本完全不可分了, 甚至是混合在一起. 然而他们还是有可能可以分的, 我们需要利用核函数K将n维的特征投射到更高维度上去, 再用线性的眼光看待线性内核就是什么变动都没有做, 常见Kernel 就这几个, 咱们既然不知道原理, 做不出来结果的时候就可以随便试试 ^ ^