目录
- SVM原理
- 某些API解释
- SVM实现
- 作业问题记录
- SVM优化
- SVM运用
- 参考文献
一、SVM原理
线性SVM分类是给每一个样本一个分数,其正确的分数应该比错误的分数大。在实际分类中,为了提高分类器的鲁棒性,我们希望正确的分数比错误的分数大得多一些,其差值为,如图1-1所示,我们希望car的所有样本离红线更远一些(箭头方向)。该损失函数则为Hinge损失函数,其公式如下:
其中,为第i个样本的损失函数,为第i个样本的错误分类标签的分数,为第i个样本的正确分类标签的分数。在这里设为1。
训练总体损失函数为:
为了防止过拟合,用一个正则化项来衡量一个模型的复杂度。因此,其训练总体损失函数为: