Datawhale 西瓜书第六章

最新推荐文章于 2023-07-27 22:53:20 发布

shell

最新推荐文章于 2023-07-27 22:53:20 发布

阅读量111

点赞数

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/shellup/article/details/119222713

版权

1、间隔与支持向量

分类的核心思想是在给定的样本空间寻找超平面，将不同类别的样本分开。在样本空间中，超平面

$w^Tx+b=0$

其中， $w$ 为法向量，决定了超平面你的方向，b为位移项，决定超平面与原点之间的距离。任意点到超平面的距离可以表示为：

$r=\frac{w^Tx+b}{||w||}$

如果超平面（w,b）能够正确的对样本进行分类，对于 $(x_i,y_i)\in D$ ，若 $y_i=+1$ 有 $w^Tx+b>0$ ,如果 $y_i=-1$ ，则有 $w^Tx+b<0$ ,满足改条件的样本点称之为支持向量（support vector）

2、对偶问题

对偶问题是优化中的经典问题，如果现有的规划问题无法求解，或者很难求解，可以将其转化为对偶问题进行求解。

SVM问题的对偶问题可以表示为：

3、核函数

常见的核函数包括：

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
Datawhale 西瓜书第六章

1、间隔与支持向量分类的核心思想是在给定的样本空间寻找超平面，将不同类别的样本分开。在样本空间中，超平面其中，为法向量，决定了超平面你的方向，b为位移项，决定超平面与原点之间的距离。任意点到超平面的距离可以表示为：如果超平面（w,b）能够正确的对样本进行分类，对于，若有,如果，则有,满足改条件的样本点称之为支持向量（support vector）2、对偶问题对偶问题是优化中的经典问题，如果现有的规划问题无法求解，或者很难求解，可以将其转...
复制链接

扫一扫

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。