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 2022-07-19 08:13:42 发布
最新推荐文章于 2022-07-19 08:13:42 发布
阅读量2.4w 收藏 117
点赞数 23
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

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

江南小帅瓜hyf
关注
专栏目录
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 1026
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...
统计学习方法 例7.1 超详细求解过程
maqian5的博客
08-06 7595
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...
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
SVM-求解最大间隔分离超平面
Warms的博客
12-02 9258
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)...
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 1003
转载于:https://www.cnblogs.com/lizhizhuang/p/8613233.html
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*...
感知机自编程实现
keepgoingYi的博客
01-24 284
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
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...
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。
支持向量机学习文档（全）
10-12
支持向量机完整的理论证明，借鉴李航的统计学习方法，吴恩达的斯坦福公开课教程，机器学习实战及代码，编程文档欢迎讨论，共同进步。
SVM求硬间隔最大超平面
AliceH1226的博客
04-08 4135
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.
机器学习_支持向量机SVM
Latterain的博客
06-22 2042
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 2369
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
10-17 623
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
SVM 支持向量机
不积跬步，无以至千里
06-30 1640
以下学习笔记，以唐宇迪的视频为主，白板推导和李宏毅为辅。SVM有三宝：间隔、对偶、核技巧。SVM最初是用来解决二分类问题，与PLA相比，鲁棒性更好。 目录 SVM要解决的问题 SVM的目标函数 SVM的目标函数求解 SVM求解实例 软间隔SVM 核变换SVM SVM要解决的问题 如何选择一条直线，使得能够完美区分开以上的红点和蓝圈呢？我们发现有不同的画线方法。如果把每个点不仅...
感知机（python实现）
weixin_34416649的博客
02-23 274
     感知机（perceptron）是二分类的线性分类模型，输入为实例的特征向量，输出为实例的类别（取+1和-1）。感知机对应于输入空间中将实例划分为两类的分离超平面。感知机旨在求出该超平面，为求得超平面导入了基于误分类的损失函数，利用梯度下降法 对损失函数进行最优化（最优化）。感知机的学习算法具有简单而易于实现的优点，分为原始形式和对偶形式。感知机预测是用学习得到的感知机模型对新的实例进行预...
已知数据集正例点x1=(1,2)t, x2=(3,3)t,负例点x3=(2,1)t, x4=(3,2)t, 求最大间隔
最新发布
10-30
最大间隔是支持向量机（SVM）算法中的一个重要概念，用于将正例点和负例点分隔开来。 首先，我们把这四个点在二维平面上画出来。正例点x1和x2分别位于(1,2)和(3,3)处，负例点x3和x4分别位于(2,1)和(3,2)处。 接下来，我们需要找到一个直线将正例点和负例点分开，并且使得这个分割直线到最近的正负例点的距离最大。这个直线被称为最大间隔分割超平面。 在二维空间中，最大间隔分割超平面是一个直线。我们可以通过计算每个点到这个直线的距离来找到这个最大间隔分割超平面。 对于一个点(x,y)到直线ax + by + c = 0的距离公式为： distance = |ax + by + c| / sqrt(a^2 + b^2) 现在，我们需要找到使得正例点和负例点分开且最近的点到最大间隔分割超平面的距离最大的超平面。在这个例子中，我们可以有多个超平面满足这个条件。 一个可能的最大间隔分割超平面是通过正例点x1和负例点x3的中点，以及正例点x2和负例点x4的中点的直线。 这条直线的方程为x + y - 3 = 0。我们可以计算每个点到这个直线的距离，然后找到最近的正例点和最近的负例点。它们分别是正例点x2和负例点x3。 将x2和x3带入距离公式得： distance(x2) = |1*3 + 1*3 - 3| / sqrt(1^2 + 1^2) ≈ 0.71 distance(x3) = |1*2 + 1*1 - 3| / sqrt(1^2 + 1^2) ≈ 1.41 所以，最大间隔为0.71。也可以通过计算distance(x2)和distance(x3)的均值来得到最大间隔的值。 总结一下，给定的数据集中的正例点和负例点可以通过最大间隔分割超平面得到良好的分割。
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