首先回顾一下logistics回归中的sigmoid函数
当θTx远大于0时hθ(x)无限接近于1,那么我们给他一种对应情况,y=1。反之亦然。
回忆起cost函数(坐标系中的红框),坐标系纵坐标就是cost代价
我们对比一下上一篇学习的理解cost函数的图像,上一篇中的横坐标是hθ(x),而这里的横坐标是Z=θTx。当hθ(x)等于零代价函数也为零可以表达y=1的时候,所需要的Z是无穷大的(需要e-θ转置x为零则θTx无穷大)。
现在我们去做两条线,一条是水平贴合在z轴上的,一条是类似拟合这个logistics函数的直射线,我们称他为cost1(z),然后y=0的时候同样有它,我们称之为cost0(z)。
我们称之为支持向量机。
他在优化问题上比logistics有着一定的优势。
对于我们熟悉的logistics回归正则化中的代价函数公式,我们如果要求设么θ是最小值的时候,可以不看m,因为m不决定θ取什么值时代价最小。这样一来我们的研究对象就转移到了λ上了。如果λ越大,说明更加重视正则项的优化。
对于新概念SVM,我们知道当提出一个新概念时候我们不能将和老概念混淆了。所以这里使用新参数C来权衡两个项之间的权重(C值一般不需要设置很大的数字,这个后面解释)。