本文详细介绍了支持向量机（SVM）中的原算法和对偶算法，指出两者在硬间隔支持向量机问题上的等价性。通过一个具体的例子展示了如何使用原算法和对偶算法求解决策边界。在对偶算法中，特别提到了求解参数b的不同方法，一种是直接代入支撑点，另一种是计算所有点的平均值。这两种方法在实践中可能会得出相同的结果，但具体实现上有所差异。
1. 原算法与对偶算法
对于支持向量机而言，对偶算法是借助拉格朗日对偶性从原算法（Primal Problem）推出的，两者完全等价，只是求解了不同的条件极值（下面是硬间隔支持向量机的原算法和对偶算法）：
2. 例子
假设数据集D为：
下面会通过原算法、对偶算法来分别计算硬间隔支持向量机的决策边界。
3. 原算法求解
4. 对偶算法求解
上述红框b的解法与https://blog.csdn.net/u013066730/article/details/123585288中得出的关于线性可分支持向量机的形式略有不同，上述直接带入了一个支撑点求出了b，而在上述链接中表示的方法是求各点平均。
扫一扫
1166
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
