SVM内容
1.线性可分支持向量机
2.线性支持向量机
等价于最小化二阶范数正则化的合页损失
3.非线性支持向量机
SVM对感知机的改进
1.感知机:经验风险,只要分对就行。SVM:从合页损失分析,不止要分对,而且要确信度高。
2.感知机:经验风险最小。SVM:加入正则化项,得到唯一超平面,结构化风险最小。模型越复杂,越有可能过拟合,测试误差大(有公式证明)
SVM对MLP的改进
1.隐藏层神经元个数确定
2.可不用梯度下降,SMO算法可求解
SVM内容
1.线性可分支持向量机
2.线性支持向量机
等价于最小化二阶范数正则化的合页损失
3.非线性支持向量机
SVM对感知机的改进
1.感知机:经验风险,只要分对就行。SVM:从合页损失分析,不止要分对,而且要确信度高。
2.感知机:经验风险最小。SVM:加入正则化项,得到唯一超平面,结构化风险最小。模型越复杂,越有可能过拟合,测试误差大(有公式证明)
SVM对MLP的改进
1.隐藏层神经元个数确定
2.可不用梯度下降,SMO算法可求解