线性可分支持向量机:
1.回顾感知机模型
2.函数间隔与几何间隔
3. 支持向量
4. SVM模型目标函数与优化
5. 线性可分SVM的算法过程
线性可分支持向量机:
1.软间隔最大化
2.线性分类SVM的软间隔最大化目标函数的优化
3. 软间隔最大化时的支持向量
4. 软间隔最大化的线性可分SVM的算法过程
5. 合页损失函数
线性不可分支持向量机:
1.核函数的引入
1.1.线性核函数
1.2.多项式核函数
1.3.高斯核函数
1.4.Sigmoid核函数
2.分类SVM的算法小结
线性支持回归:
1. SVM回归模型的损失函数度量
2. SVM回归模型的目标函数的原始形式
3. SVM回归模型的目标函数的对偶形式
4. SVM回归模型系数的稀疏性
5. SVM 算法小结
Scikit-learn SVM算法库使用概述:
1.分类算法库
1.1.LinearSVC
1.2.SVC
1.3.NuSVC
2.回归算法库
2.1.LinearSVR
2.2.SVR
2.3.NuSVR
1.回顾感知机模型
2.函数间隔与几何间隔
3. 支持向量
4. SVM模型目标函数与优化
5. 线性可分SVM的算法过程
线性可分支持向量机:
1.软间隔最大化
2.线性分类SVM的软间隔最大化目标函数的优化
3. 软间隔最大化时的支持向量
4. 软间隔最大化的线性可分SVM的算法过程
5. 合页损失函数
线性不可分支持向量机:
1.核函数的引入
1.1.线性核函数
1.2.多项式核函数
1.3.高斯核函数
1.4.Sigmoid核函数
2.分类SVM的算法小结
线性支持回归:
1. SVM回归模型的损失函数度量
2. SVM回归模型的目标函数的原始形式
3. SVM回归模型的目标函数的对偶形式
4. SVM回归模型系数的稀疏性
5. SVM 算法小结
Scikit-learn SVM算法库使用概述:
1.分类算法库
1.1.LinearSVC
1.2.SVC
1.3.NuSVC
2.回归算法库
2.1.LinearSVR
2.2.SVR
2.3.NuSVR