目录
一.介绍:
支持向量机(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane) 。
SVM使用铰链损失函数(hinge loss)计算经验风险(empirical risk)并在求解系统中加入了正则化项以优化结构风险(structural risk),是一个具有稀疏性和稳健性的分类器 。SVM可以通过核方法(kernel method)进行非线性分类,是常见的核学习(kernel learning)方法之一 。
SVM被提出于1964年,在二十世纪90年代后得到快速发展并衍生出一系列改进和扩展算法,在人像识别、文本分类等模式识别(pattern recognition)问题中有得到应用 。
二.相关内容:
1.最大间隔与分类:
线性模型:
在样本空间中寻找一个超平面,将不同类别的样本分开.
将训练样本分开的超平面可能有很多,哪一个好呢?
我们应选择”正中间”,容忍性好,鲁棒性高,泛化能力最强.
的
对于不同空间维度的SVM,有着不同类型的间隔:
对于超平面来讲:
我们需要寻找参数w和b,使得间隔最大,即
间隔最大化的toy example1:
间隔最大化的toy example2: