1、Linear SVM的缺点
无法将非线性的数据分开
解决:
- 1、把数据映射到高维空间
- 2、使用神经网络
2、数据映射到高维空间
缺点:
- 复杂度的增加
Kernel trick使用可以W维持时间复杂度
3、拉格朗日等号处理条件
Multiple equalities
4、拉格朗日不等式条件处理
5、KKT条件
6、KKT Condition of SVM
7、Primal-Dual problem
为什么要转换为对偶问题:
- primal 问题可能会很难解决
- dual问题上可能会发现一些有趣的insight
primal上如果是optimal的,dual问题是sub-optimal的解,会比primal的解稍微差一些。
8、SVM 的 dual derivation
9、Kernel Trick
将输入通过一个核函数映射到高维空间。
输入通过核函数后,在计算内积的时候不依赖于高维空间的数据,还是根据输入数据进行计算。
设计一个核函数,使得数据映射到高维空间,但在做内积计算时依然保持原有的时间复杂度。
不仅仅对于SVM,使用k-means也可以使用
Kernel种类
- linear kernel
- Gaussian kernel:高斯核
- Polynomial kernel: 多项式核