西瓜书-SVM学习

udddhu

于 2023-02-21 10:02:52 发布

阅读量171

点赞数

分类专栏：人工智能文章标签：学习 Powered by 金山文档

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/udddhu/article/details/128733700

版权

SVM（支持向量机）旨在寻找最大化正负样本距离的超平面。它通过拉格朗日乘子法解决凸优化问题，并利用核函数将数据映射到高维空间实现非线性分类。软间隔允许一定程度的误分类，引入惩罚函数C调整误分类容忍度。序列最小最优化（SMO）算法用于高效求解SVM问题。此外，SVR（支持向量回归）是SVM在回归任务中的应用。

摘要由CSDN通过智能技术生成

1、样本空间中划分可以用线性方程 $\text{[math]}$ , $\text{[math]}$ 表示分类的正确性，大于0为分类正确，与法向量同一侧，而且越大代表越可信，小于0为分类不正确，法向量不同一侧，也可成为函数距离，可以随着 $\text{[math]}$ 改变大小。

几何距离l= $\text{[math]}$ , $\text{[math]}$ 改变大小,||w||也会改变，故几何距离保持不变。

SVM就是求一个超平面，使得正负样本的距离最大 $\text{[math]}$ ，同时每一个样本到超平面的距离大于最小值，, $\text{[math]}$ 》1，

补充：凸优化：min f(x),sb $\text{[math]}$ ,i=1...., $\text{[math]}$ ，凸优化问题它是指约束最优化问题；二次规划：min f(x)= $\text{[math]}$ ，sb $\text{[math]}$ ;凸二次规划：min f(x)= $\text{[math]}$ ，sb $\text{[math]}$ 且A>=0，目标函数f是二次函

最低0.47元/天解锁文章

评论

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。