线性可分支持向量机--SVM(1)

本文介绍了线性可分支持向量机(SVM),重点讨论了间隔最大化的重要性,从函数间隔和几何间隔的概念出发,阐述了它们之间的关系,并通过凸二次规划问题转化为对偶问题,解释了如何求解最优的权重w*和偏置b*。最终,总结了线性可分SVM的决策函数及其学习算法。
摘要由CSDN通过智能技术生成

# 线性可分支持向量机--SVM (1)

给定线性可分的数据集

假设输入空间(特征向量)为,输出空间为
输入
表示实例的特征向量,对应于输入空间的点;
输出
表示示例的类别。

线性可分支持向量机的定义:

通过间隔最大化或者等价的求出相应的凸二次规划问题得到的分离超平面

以及决策函数:

什么是间隔最大化呢?
首先需要定义间隔, 下面介绍了
函数间隔几何间隔*,几何间隔可以理解为训练点到超平面的距离, 二维中就是点到直线的距离,我们要做的就是最小化几何间隔


## 函数间隔和几何间隔 **函数间隔** 给定训练数据集T和超平面(w, b) 定义超平面(w,b)关于点(xi, yi)的**函数间隔**:

  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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