周志华机器学习-支持向量机
第一章 绪论
第二章 模型评估与选择
第三章 线性模型
第四章 决策树
第五章 支持向量机
第六章 神经网络
第七章 贝叶斯分类器
第八章 集成学习和聚类
–
一、支持向量机基本型
二、对偶问题与解的特性
三、求解方法
- SMO求解方法
- 是一个迭代更新的算法
- 先选取KKT条件违背程度最大的变量
- 当变量固定后,原始问题具有闭式解
- 在使用SMO方法优化支持向量机的对偶问题时,每次需要选择几个变量并固定其他变量不变
四、特征空间映射
需要寻找某个东西来代替高维向量的内积–核函数
五、核函数
核函数:
能绕过显式考虑特征映射
能够缓解计算高维内积的困难
能够直接在原始的特征空间计算
六、如何使用SVM
间隔带内的不计惩罚,间隔带外的计惩罚