前言:本篇文章只是简单的对支持向量机(support vecotor machine)简单的介绍,后续文章还会一一进行数学原理推导(其实我也没有想到这篇文章会有这么高的展现量(其实也就几百),所以就打算进一步介绍SVM)。
文章目录
一、支持向量机
- 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(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)
ps:加粗的都是专业名词,感兴趣的话可以了解下。
二,简单了解SVM
-
基本原理:基于统计学习理论的方法,是一个二分类的问题。
-
要了解SVM我们要知道超平面这个东西。
-
超平面:在几何中,超平面指的是比所处空间少一个维度的子空间。
例子:零维的点可以把一维的线分成两部分,一维的线可以把二维的面分成两部分,二维的面可以把三维的体分成两部分。
其实下图中间的那条实现就是我们超平面,但是我个人更喜欢把这种简单的二维二分类的超平面叫做决策边界。
图片可能看的不是很清楚,其中 w w w是法向量,x也是向量,我会在后续的文章中推导。
至于这两条虚线就是我们的样本中最接近超平面的平行面,我们暂且把这两条虚线的距离叫做 ∣ H 1 H 2 ∣ |H_1H_2| ∣H1H