本文是关于线性可分支持向量机的学习笔记，解释了其定义、几何间隔、间隔最大化以及最大间隔分离超平面的存在唯一性。在特征空间中，寻找能够最大化间隔的超平面作为分类决策函数，从而实现数据的正确划分。
假设一个特征空间上的训练数据集 T = ( x 1 , y 1 ) , ( x 2 , y 2 ) , … , ( x N , y N ) T={(x_1, y_1), (x_2, y_2), …, (x_N, y_N)} T=(x1,y1),(x2,y2),…,(xN,yN)，其中 x i ∈ R n , y i ∈ { + 1 , − 1 } , i = 1 , 2 , … , N x_i∈\R^n, y_i∈\{+1, -1\}, i = 1,2,…, N xi∈Rn,yi∈{ +1,−1},i=1,2,…,N。 x i x_i xi为第 i i i个特征向量，也称为实例， y i y_i yi为 x i x_i xi的类标记。学习目标是在特征空间中赵找到一个分离超平面，能将实例分到不同的类。
线性可分支持向量机的定义：
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 w ∗ ⋅ x + b ∗ = 0 w^*·x + b^* =0 w∗⋅x+b
最低0.47元/天 解锁文章
187
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
