立即学习:https://edu.csdn.net/course/play/10580/236103?utm_source=blogtoedu
C-SVM分类模型
带松弛变量的SVM模型(约束:每个样本点都在间隔带之外,所以约束项是N)
【但是实际问题中!数据不一定完全线性可分!】
我们希望间隔尽可能的大,允许分错一点点(软间隔,将约束放松为1-松弛变量ci)
间隔最大,松弛量最小,用变量C控制这两者的平衡 => 得到软间隔最大的SVM模型C-SVM
C就像是对误分类的惩罚:C越大 希望后面松弛量越小 和数据拟合的更好 间隔越小
机器学习的一般模型
训练集上的损失和要小,同时加一个正则项R,用λ控制二者平衡
发现:
下面要讲的是(9:53)
ci的和是误分样本的上界:没有分错的点可能也记了ci,所以我们来看一下ci是否可以看作某种损失函数
ci=0时,说明所有点都分对了: yi(w0+wtxi)>=1
0<ci<1时,ci=1-yi(w0+wtxi)