一、SVM(线性可分定义)
线性可分(Linear Separable)
线性不可分(Nonlinear Separable)
特征空间维度>=四维 ---- 超平面(Hyperplane)
假设 我们有N个训练样本和他们的标签
在二分类情况下,如果一个数据集是线性可分的,即存在一个超平面将两个类别完全分开,那么一定存在无数多个超平面将这两个类别完全分开。
向量偏导定义:
二、SVM(问题描述)
支持向量机寻找的最优分类直线应满足(基于二维):
(1)该直线分开了两类
(2)该直线最大化间隔(margin)
(3)该直线处于间隔中间,到所有支持向量距离相等
三、SVM(优化问题)
四、SVM(线性不可分情况)
五、SVM(低维到高维的映射)
六、SVM(核函数定义)
七、SVM(原问题和对偶问题)
八、SVM(转化为对偶问题)
支持向量机的原问题满足强对偶问题
九、SVM(算法总体流程)