函数间隔与几何间隔及（感知机与支持向量机的区别）

最新推荐文章于 2024-07-12 23:33:56 发布
最新推荐文章于 2024-07-12 23:33:56 发布
阅读量1.7k 收藏 1
点赞数
分类专栏： 机器学习算法原理与编程实践 文章标签： 函数间隔 几何间隔
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/u014675538/article/details/79413095
版权
本文探讨支持向量机中的函数间隔和几何间隔概念，解释它们在分类预测中的作用。函数间隔衡量分类正确性和确信度，但不受w,b比例影响；而几何间隔引入规范化，确保超平面不变时距离的一致性，形式为||w∗x+b||∗y||w∗x+b||∗y，其中||w||=1||w||=1。" 132493092,7337247,Transformer在语义分割中的应用：Seq2Seq视角的Segformer,"['自然语言处理', '人工智能', '语言模型', '深度学习', '图像处理']
摘要由CSDN通过智能技术生成

引言

支持向量机中讲解了函数间隔与几何间隔，我们在这篇博文中主要讲解函数间隔与几何间隔的区别。本篇博文主要讲解简单的复习知识，大佬勿喷。

函数间隔与几何间隔

在一个二维平面上，一个点距离超平面的距离的远近可以表示为分类预测的确信程度，距离越远表示越有把握分类正确。 |w∗x+b| | w ∗ x + b | 表示点 x x 距离超平面距离的远近，而

最低0.47元/天 解锁文章
逐梦_person
关注
专栏目录
SVM中函数间隔和几何间隔的区别
join_YY的博客
04-03 2447
1、用|w∗x+b|表示点x到超平面0的距离远近，(w∗x+b)∗y表示分类的正确性以及确信度。2、在二分类问题里，如果(w∗x+b)>0，则x的类别被判定为1；如果(w∗x+b)<0,x的类别判定为-1。所以如果要分类正确，就一定要有y(w∗x+b)>03、样本点（xi，yi）和超平面之间的函数间隔为： yi(w∗xi+b)要有更好的分类效果，就要让间隔最大。最简单的是通过让W...
函数间隔（functional margin）和几何间隔（geometric margin）
chqb89的专栏
04-28 8590
对于给定的训练数据集T和超平面(w,b)，定义超平面关于样本点(x_i,y_i)的函数间隔为 定义超平面(w,b)关于训练数据集T的函数间隔为超平面关于T中所有样本点的函数间隔之最小值，即        函数间隔可以表示分类预测的正确性及确信度，但选择分离超平面时，只有函数间隔还不够，因为只要成比例改变w和b，超平面并没有改变，但函数间隔却变了，因此需要对分离超平面的法
几何距离与函数距离：解锁数据空间中的奥秘
最新发布
huanfeng_AI的博客
07-12 617
它表示数据点到超平面的距离，但这个距离并非物理上的直线距离，而是通过超平面的函数表达式f(x)=wTx+b来定义的。此外，在数据预处理和特征工程中，我们有时会通过变换数据或定义新的距离度量（如基于核函数的距离），来使原本在几何空间中不易区分的数据点在新的距离度量下变得可分。与几何距离不同，函数距离并非直接基于数据点在空间中的位置来定义，而是通过某种函数关系来反映数据点之间的“距离”。它常用于棋盘格上的移动问题。几何距离，顾名思义，是我们在几何学中熟悉的距离概念，如欧几里得距离、曼哈顿距离和切比雪夫距离等。
函数间隔和几何间隔
qq_41876354的博客
12-26 1372
根据李航老师书，自己理清一下对于函数间隔和几何间隔部分的理解。 超平面 超平面关于样本点的函数间隔为： 当超平面为时，超平面还是原来那个超平面，但函数间隔已经变为了 所以当同比例缩放w和b时，h可以趋向无穷大，这也就没有求函数间隔最大化的意义了。 而几何间隔就是超平面到点的物理距离，公式也等于函数间隔除以w的范式，即，当同比例缩放w和b时,间隔是确定的，所以我们发现几何间隔能够更好的分类。用它来做间隔最大化 ...
机器学习笔记之支持向量机(一)模型构建思路
静静的学习就好
09-03 3150
从本节开始，将介绍支持向量机，主要包括模型思路构建和模型最优参数的求解过程。
SVM支持向量机学习笔记（1） —— 线性可分支持向量机与硬间隔最大化
m0_53257476的博客
01-07 1070
一、什么是支持向量机 支持向量机就是要通过找支持向量来找划分超平面。考虑一个二类分类问题，分离超平面将特征空间划分为两部分，一部分是正类，一部分是负类。一般地，当训练数据集线性可分时，存在无穷个分离超平面可将两类数据正确分开。 感知机利用误分类最小的策略，求得分离超平面，不过这时的解有无穷多个。线性可分支持向量机利用间隔最大化求最优分离超平面，这时，解是唯一的。 1.线性可分支持向量机： 给定线性可分训练数据集，通过间隔最大化或等价地求解相应的凸二次规划问题学习得到的分离超平面为 ： 2.
支持向量机（一）线性可分的支持向量机与硬间隔最大化
things_use的博客
10-11 972
支持向量机其实和感知机的模型思想挺相似的，都是找出一个分离超平面对数据进行二分类。它是定义在特征空间上的间隔最大的线性分类器，这个间隔最大化使它区别于感知机；感知机通过迭代算法找出的分离超平面可以是不唯一的，但是支持向量机由于有最大化间隔的限制，即所有的支持向量点到分离超平面的距离之和是最大的，所以它的分离超平面是唯一的；实际上支持向量机还有核技巧，即数据本来是非线性可分的，但是通...
秦刚刚的机器学习成长之路之感知机VS支持向量机
秦刚刚的博客
01-13 592
写作背景：前段时间看了李航的《统计学习与分析》这本书，受益良多。刚开始一味地以手写的形式记录下来，但是后来觉得这样既不环保也不利于随时查看，因此觉得有必要写成博客与大家分享与讨论。 1.感知机 感知机是二类分类的线性模型，其目标是求得一个能够将训练数据集正实例点和负实例点完全正确分开的分离超平面，如下图所示（L1，L2和L3都可以作为分离超平面）： 感知器模型为： f(x)=sign(w⋅x+...
机器学习算法总结2:感知机和支持向量机
01-06
感知机于1957年由Rosenblatt提出，是神经网络与支持向量机的基础。感知机二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-1二值，该模型属于判别模型，旨在求出将训练数据进行线性划分的分离超平面。 1.模型： 假设数据集满足线性可分性，由输入空间到输出空间的决策函数如下： w为权值(或权值向量)，b为偏置，w·x表示w和x的内积，sign是符号函数，即： 1.向量内积(向量点乘、数量积)：对两个向量的对应位置一一相乘求和的结果，点乘的结果是一个标量； 2.向量外积(向量叉乘、向量积)：叉乘运算结果是向量，并且两个向量的外积与这两个向量组成的坐标平面垂直。
支持向量机（一）——深入理解函数间隔与几何间隔
热门推荐
我爱学习的博客
07-09 1万+
1.支持向量机和logistic函数的有什么区别 实践发现，在所给的例子中，两种方法线性划分两类事物时得到的线性分类器的效果差不多。那具体的差别在哪呢？ ···SVM更关心的是靠近中间分割线的点，让他们尽可能地原理中间线，而不是在所有点上达到最优，因为那样的话，要使得一部分点靠近中间线来换取另外一部分点更加原理中间线。因此支持向量机和和逻辑斯蒂回归的不同点，一个是考虑局部（不关心已经确定远离的...
1.1 函数间隔和几何间隔理解1
jianfpeng241241的专栏
03-04 4497
转载地址：https://www.jianshu.com/p/2e3c0c583e85 1、函数间隔 我们的函数间隔定义为： 可以看到，函数间隔其实就是类别标签乘上了f(x)的值，可以看到，该值永远是大于等于0的，正好符合了距离的概念，距离总不能是负的吧。那么为什么该值可以表示数据点到超平面的距离呢？我们不妨这样想，假设y=1,f(x)=1,其实就是将原来的分类超平面f(x) 向右平移...
支持向量机中的函数距离和几何距离
aoc68397的博客
09-24 827
作者：Jason Gu链接：https://www.zhihu.com/question/20466147/answer/28469993来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 SVM是通过超平面将样本分为两类。在超平面确定的情况下，可以相对地表示点距离超平面的远近。对于两类分类问题，如果，则的类别被判定为1；否则判定为-1。 所以如果，则...
机器学习中的函数间隔和几何间隔
二胖_pro
05-05 2512
目录一、函数间隔二、几何间隔三、函数间隔和几何间隔的关系 一、函数间隔 函数间隔 一般来说， 一个点距离分离超平面的远近可以表示分类预测的确信程度。在超平面w⋅x+b=0w\cdot x+b=0w⋅x+b=0 确定的情况下，∣w⋅x+b∣|w\cdot x+b|∣w⋅x+b∣能够相对地表示点距离超平面的远近。w⋅x+bw\cdot x+bw⋅x+b 的符号与类标记 yyy 的符号是否一致能够表示...
《机器学习中的数学》—— 函数间隔与几何间隔
Lin's Blog
05-13 985
目录1.函数间隔2.几何间隔3.两者的关系 1.函数间隔 在超平面w∗x+b=0w^*x+b=0w∗x+b=0确定的情况下，∣w∗x+b=0∣|w^*x+b=0|∣w∗x+b=0∣能够表示点x到距离超平面的远近，而通过观察w∗x+b=0w^*x+b=0w∗x+b=0的符号与类标记yyy的符号是否一致可判断分类是否正确，所以，可以用w∗x+b=0w^*x+b=0w∗x+b=0)的正负性来判定或表示分类的正确性。于此，我们便引出了函数间隔（functional margin）的概念。 定义函数间隔（用γ^\wi
机器学习6 函数间隔与几何间隔
skmygdrs的专栏
08-02 442
functionalmarginfunctional{\kern 1pt} {\kern 1pt} m\arg in γ(i)=y(i)(wTx(i)+b){\gamma ^{\left( i \right)}} = {y^{\left( i \right)}}\left( {{w^T}{x^{\left( i \right)}} + b} \right) geometricmargingeom
支持向量机(SVM)入门：线性分类与核函数解析
- **函数间隔与几何间隔** - SVM中，间隔有函数间隔和几何间隔两种，前者不考虑样本权重，后者考虑了样本权重，实际操作中通常最大化几何间隔。 - **最大间隔分类器** - SVM的目标是找到一个能够最大化两类数据点...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值