SVM原理,SVM核函数、SVM的软间隔和硬间隔的区别、惩罚系数对SVM的影响

SVM可以用于解决二分类或者多分类问题,此以二分类例。SVM的目找一个最化超平面在空中分割两类数据,个最化超平面需要足的条件是:离其最近的点到其的距离最大化,些点被称支持向

SVM只和分类界限上的支持向量点有关,而言之只局部数据有关

推导过程:

核函数:

对于输入空间中的非线性分类问题,可以通过非线性变换将它转化为某个维特征空间中的线性分类问题,在高维特征空间中学习线性支持向量机。由于在线性支持向量机学习的对偶问题里,目标函数和分类决策函数都只涉及实例和实例之间的内积,所以不需要显式地指定非线性变换,而是用核函数替换当中的内积。

SVM中用到的核函数有线性核'linear'、多项式核函数pkf以及高斯核函数rbf。

 

当训练数据线性可分时,一般用线性核函数,直接实现可分;

当训练数据不可分时,需要使用技巧,将训练数据映射到另一个高维空间,使再高维空间中,数据可线性划分

 

但需要注意的是,

  • 样本n和特征m很大时,且特征m>>n时,需要用线性核函数因为此时考虑高斯核函数的映射后空间维数更高,更复杂,也容易过拟合,此时使用高斯核函数的弊大于利,选择使用线性核会更好;
  • 样本n一般大小,特征m较小,此时进行高斯核函数映射后,不仅能够实现将原训练数据再高维空间中实现线性划分,而且计算方面不会有很大的消耗,因此利大于弊,适合用高斯核函数;
  • 样本n很大,但特征m较小,同样难以避免计算复杂的问题,因此会更多考虑线性核

软间隔和硬间隔:

硬间隔

软间隔,引入松弛变量

C是调节间隔与准确率的因子C值越大,越不愿放弃那些离群点;c值越小,越不重视那些离群点。

  • C趋于无穷大时,这个问题也就是不允许出现分类误差的样本存在,那这就是一个hard-margin SVM问题(过拟合)
  • C趋于0时,我们不再关注分类是否正确,只要求间隔越大越好,那么我们将无法得到有意义的解且算法不会收敛。(欠拟合)
  • 2
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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