已知一个如图所示的训练数据集，其正例点是x1=(3,3)，x1=(4,3),负例点是x3=(1,1)，试求最大间隔分离超平面。

最新推荐文章于 2025-03-18 14:42:05 发布
最新推荐文章于 2025-03-18 14:42:05 发布
阅读量2.5w 收藏 120
点赞数 26
分类专栏： 机器学习 文章标签： SVM
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_30377909/article/details/90759385
版权
本文探讨了在给定训练数据集的情况下，如何求解最大间隔分离超平面。通过分析正例点和负例点的位置，采用两种方法来确定最优分类边界。方法一未详细描述，方法二利用中垂线原理，计算出经过特定点且具有特定斜率的直线方程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

已知一个如图所示的训练数据集，其正例点是x1=(3,3)，x1=(4,3),负例点是x3=(1,1)，试求最大间隔分离超平面。

在这里插入图片描述
从图中可以看出，x2不起作用，所以不用理会
方法1：
在这里插入图片描述
方法2：考虑求解中垂线方程即可
斜率：-k=-1,中点（2,2），
在这里插入图片描述
所以相当于求经过（2,2），斜率为-1的直线方程，为了和方法1的结果对应，最后两边同乘一个1/2
在这里插入图片描述

统计学习方法 例7.1 超详细求解过程
maqian5的博客
08-06 7972
例7.1：已知一个如图所示的训练数据集，其正例点是x1=(3,3)T,x2=(4,3)Tx_1=(3,3)^T, x_2=(4,3)^Tx1​=(3,3)T,x2​=(4,3)T,负例点是x3=(1,1)Tx_3=(1,1)^Tx3​=(1,1)T,试求最大间隔分离超平面。 解：按照算法7.1，根据训练数据集构造最优化问题： min⁡w,b12(w12+w22)s.t.3w1+3w2+b≥14...
求最大间隔分离超平面如何转化为了一个凸二次优化的问题？
二胖_pro
05-05 1075
考虑如何求得一个几何间隔最大的分离超平面（函数间隔也是一样的），即最大间隔分离超平面，那么可以表示为下面的约束最优化问题： maxw,b γs.t.yi(w∣∣w∣∣⋅xi+b∣∣w∣∣)≥γ,i=1,2,...,N \mathop{max}\limits_{w,b}\space\gamma\\ s.t.\quad y_i\left({w\over||w||}\cdot x_i+{b\o...
多层感知机
最新发布
yxx122345的博客
03-18 963
感知机（Perceptron）是神经网络的基本单元，由 Frank Rosenblatt 在 1957 年提出。它是一个二分类模型，输入为特征向量，输出为类别标签（如 0 或 1）。yfw⋅xbyfw⋅xb其中：xxx是输入特征向量，www是权重向量，bbb是偏置项，fff是激活函数（如阶跃函数）。
SVM-求解最大间隔分离超平面
吱吱叫的老鼠
07-24 1万+
这道例题来自于李航《统计学习》第二版119页到120页，课本没有过程，我写下我的解题过程和大家一起分享下。 下面是我的解题过程：
线性可分支持向量机，实例，例题：给定三个数据点：x1=(3,3), x2=(4,3), x3=(1,1),. 其中x1，x2为正例，x3为负例，求线性可分向量机。为什么a1=a3=1/4而不是1/5
热门推荐
qq_44095825的博客
07-10 1万+
线性可分向量机理论大家可以自行在论坛上搜索。 题目： 给定三个数据点：x1=(3,3), x2=(4,3), x3=(1,1),. 其中x1，x2为正例，x3为负例，求线性可分向量机。 (正例意思是其对应的y值为1，负例意思是其对应的y值为-1) 第一步：写出目标函数。 注意：式子中xi,xj均为矩阵，实际上是矩阵xi的转置乘以矩阵xj。 于是 第二步 用s(a1,a2)指代目标函数，将a1+a2=a3带入目标函数，得s(a1,a2)=4a12+1.5a22+10a1a2-2a1-2a2 然后分别求目标
支持向量机SVM——最大间隔分离超平面的计算、拉格朗日乘数法求解不等式约束的优化问题
高志远的博客
08-29 1万+
支持向量机SVM——最大间隔分离超平面的计算 如何定义两个集合的最优分隔超平面呢？ 找到集合"边界"上的若干点，以这些点为基础计算超平面的方向，以二维坐标平面为例子wTx+b=0w^Tx+b=0wTx+b=0，当系数wTw^TwT确定的时候，这个超平面的方向也就随之确定，以两个结果边界上的点的平均作为超平面的"截距"。 SVM线性分类问题 假设给定一个特征空间上的训练数据集T=(x1,t1)...
6.控制LED数码管显示状态.rar
12-16
控制LED数码管显示状态.rar”的压缩包文件中，我们涉及的是一个嵌入式系统的实践项目，特别关注于使用KL25微控制器来控制LED灯和数码管的显示。KL25是一款由飞思卡尔（现为恩智浦半导体）生产的微控制器，属于MCU...
统计学习方法笔记（部分算法含matlab代码）
11-17
它由两个不可观察的状态序列和一个观测序列构成，状态之间的转移是马尔可夫过程，观测则依赖于当前状态。 - **A矩阵**：表示状态间的转移概率。 - **B矩阵**：表示每个状态发出观测的概率。 - **初始状态概率π*...
感知器求解逻辑分类问研究题的
12-31
多层感知器包含一个或多个隐藏层，这些隐藏层可以学习更复杂的特征表示，从而解决非线性可分问题。 - **网络结构设计**：多层感知器通常包含输入层、一个或多个隐藏层以及输出层。对于逻辑“异或”问题，一个隐藏层...
感知机自编程实现
keepgoingYi的博客
01-24 341
学习了感知机之后，所要做的课后习题。 作业2： 1.思考感知机模型假设空间是什么？模型复杂度体现在哪里？打卡进行文字说明。 2.已知训练数据集D，其正实例点是x1=(3,3)T,x2=(4,3)T，负实例点是x3=(1,1)T: (1) 用python 自编程实现感知机模型，对训练数据集进行分类，并对比误分类点选择次序不同对最终结果的影响。可采用函数式编程或面向对象的编程。 (2)试调用sklearn.linear_model 的Perceptron模块，对训练数据集进行分类，并对比不同学习率h对
第4章支持向量机12
08-03
第4章 支持向量机已知正例点x1 = (1,2)T,x2 = (2,3)T,x3 = (3,3)T,负例点x4 = (2,1)T,x5 = (3,2)T,试求最
支持向量机（一）-最大间隔法和核函数
03-20
支持向量机是一个非常出色的二分类分类模型，关于这个笔记为三篇，介绍SVM的原理。
最大间隔分离超平面的唯一性完整证明（在《统计学习方法》的基础上做了一处改进）...
weixin_30457465的博客
03-20 1069
转载于:https://www.cnblogs.com/lizhizhuang/p/8613233.html
SVM求硬间隔最大超平面
AliceH1226的博客
04-08 4579
SVM求硬间隔最大超平面题目描述解法Reference 题目描述 正例点x1=(3,3)Tx_1=(3,3)^{T}x1​=(3,3)T,x2=(4,3)Tx_2=(4,3)^{T}x2​=(4,3)T,负样例点x3=(1,1)Tx_3=(1,1)^{T}x3​=(1,1)T,求最大硬间隔分离超平面。 解法 求硬间隔最大分离超平面的问题也就是求： minw,b 12∣∣w∣∣2{min}_{w,b}\ \frac{1}{2}{||w||}^2 minw,b​ 21​∣∣w∣∣2 s.t.
已知正例和负例，怎么求svm分离超平面或直线
weixin_35755562的博客
12-20 1189
在已知正例和负例的情况下，可以使用支持向量机(SVM)来求出分离超平面或直线。 首先，将正例和负例表示为点集。然后，使用线性 SVM 或非线性 SVM 训练模型，使其能够将正例和负例分开。这个过程中会产生一个决策函数，它可以表示为 w · x + b = 0，其中 w 和 b 是模型学习到的参数，x 是输入的样本。 对于线性 SVM，决策函数中的 w 和 b 可以直接使用求解解析解的方法求出。而对...
机器学习_支持向量机SVM
Latterain的博客
06-22 2125
文章目录线性可分SVM推导目标函数计算举例线性支持SVM求解目标函数非线性支持SVM核函数 kernel functionSMO算法(SVM系数求解) 线性可分SVM 存在一个线可以把数据分类，数据就是线性可分的。 SVM是有分割超平面两边的一些样本作为支撑点做出的支撑向量。 分割超平面 设C，D为不相交的凸集，则存在超平面P,将C，D分离。 如何选择最优超平面？（间隔最大化） (w12+w22+…+wn2)0.5 = ||w|| (w的二范式) 直到任意点和直线，可以求出点到直线的距离： d(xi,l)
机器学习—支持向量机理论详细推导（含例题讲解）（二）
wzk4869的博客
07-19 2624
机器学习—支持向量机理论详细推导（含例题讲解）（二）
统计学习方法（六）
emmaczw的博客
10-17 808
七、支持向量机 支持向量机分为线性可分支持向量机（硬间隔最大化）、线性支持向量机（软间隔最大化）、非线性支持向量机（核技巧+软间隔最大化）。 函数间隔与几何间隔（用来表示分类的）： r =y（w*x+b） r’ =y（w*x+b）/ || w || 1、线性可分支持向量机 输入空间为欧式空间或离散空间，特征空间为欧式空间或希尔伯特空间。 分离超平面：w*x+b=0 分类决策
已知训练数据集，正例点是x1=(3，3)T，x2=(4，3)T，负例点x3=(1，1)T，求线性可分支持向量机
11-26
要使用线性可分的支持向量机（SVM）对给定的数据进行分类，我们首先需要定义一个合适的核函数，然后构建一个决策边界。对于线性可分的情况，我们可以选择标准的线性核（也称为内积核），因为它可以直接用特征之间的内积表示。 以下是一个简单的步骤： 1. 定义数据： ```matlab % 训练数据集 X = [x1; x2; x3]; % 正例和负例点 Y = [1; 1; -1]; % 标签，1为正例，-1为负例 % 将数据转换成矩阵，方便后续操作 X = X'; ``` 2. 初始化模型参数（这里假设没有预设C值，通常情况下C是惩罚参数）： ```matlab % 假设C=1（默认值） C = 1; kernel_func = 'linear'; % 使用线性核 ``` 3. 创建SVM模型并训练： ```matlab % 使用fitcsvm函数创建模型 svm_model = fitcsvm(X, Y, 'KernelFunction', kernel_func, 'BoxConstraint', C); ``` 4. 检查模型是否找到线性决策边界： ```matlab % 查看SVM模型的间隔和决策边界 margin = svm_model.Margins; decision_function = svm_model.decision_function(X); plot_decision_boundary(X, Y, svm_model) ``` `plot_decision_boundary` 函数在这里不是标准的Matlab内置函数，你可以自己编写一个或查找现成的库如`svmplots`来绘制决策边界。 5. 预测新样本： ```matlab % 新样本（例如，(2,2)') new_sample = [2; 2]'; predicted_label = predict(svm_model, new_sample); ```
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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。

余额充值