支持向量机分类
支持向量机(support vector machine, SVM),相比于传统的BP神经网络,是一种新的机器学习方法,其基础是Vapnik创建的统计学习理论(statistical learning theory,STL)。
统计学习理论采用结构风险最小化(structural risk minimization, SRM)准则,在最小化样本点误差的桶水,最小化结构风险,提高了模型的泛化能力,且没有数据维数的限制。
在进行线性分类时,将分类面取在离两类样本距离较大的地方
进行非线性分类时通过高维空间变换,将非线性分类变成高维空间的线性分类问题
线性可分SVM
目标是寻找满足约束条件下的最优分类超平面
数学语言的问题描述:
该问题可以通过求解Largrange函数的鞍点得到,即
Φ ( w ⃗ , b ⃗ , α i ) = 1 2 ∣ ∣ w ⃗ ∣ ∣ 2 − ∑ i = 1 l α i [ y i ( w ⃗ x ⃗ i + b ) − 1 ] \Phi(\vec w,\vec b,\alpha_i)=\frac{1}{2}||\vec w||^2-\sum_{i=1}^l\alpha_i[y_i(\vec w\vec x_i+b)-1] Φ(w,b,αi)=21∣∣w∣∣2−∑i=1lαi[yi(wxi+b)−1], 其 中 , α i > 0 , i = 1 , 2 , . . . , l , 为 L a r a n g e 系 数 其中,\alpha_i>0,i=1,2,...,l,为Larange系数 其中,αi>0,i=1,2,...,