机器学习之SVM

最新推荐文章于 2022-06-06 11:06:39 发布

qq_30011515

最新推荐文章于 2022-06-06 11:06:39 发布

阅读量151

点赞数

文章标签：支持向量机机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_30011515/article/details/109694010

版权

本文详细介绍了支持向量机（SVM），从线性可分的支持向量机开始，阐述了其间隔最大化和决策函数，接着深入推导了SVM的过程，包括函数间隔、几何间隔和拉格朗日乘子法的应用。在面对线性不可分数据时，文章讨论了引入松弛因子的概念，解析了带松弛因子的SVM拉格朗日函数，并总结了计算方法。最后，对SVM的损失函数进行了分析。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、线性可分支持向量机

二维平面线性可分样例图：
在这里插入图片描述
分割超平面理解：

线性可分支持向量机：
给定线性可分训练数据集，通过间隔最大化得到的分离超平面为：

相应的分类决策函数：

该决策函数称为线性可分支持向量机；
符号定义：

目标函数定义：
在这里插入图片描述
继而可得出

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。