SVM（支持向量机）是一种二分类模型，寻找最优超平面以最大化样本与超平面的间隔。算法核心是确定支持向量，即离超平面最近的点，以确保它们有最大的几何间隔。通过构造平行超平面并最小化权重向量的范数，转化为最优化问题。拉格朗日函数和KKT条件用于求解。
SVM算法（support vector machines，支持向量机）
（一）、算法核心思想
SVM算法最初是为二值分类问题涉及的，是一个二分类的分类模型（分类器），当处理多分类问题时，需要我们构造合适的多类分类器。这里以最简单的二分类问题来记录。给定一个包含正例、反例的样本集合，SVM的目的是寻找一个超平面分割线（在二维中实质就是一条线，三维中就是一个平面）来对样本进行分割。
例如上图，我们有三条直线可以将样本划分，但是哪一个划分是最好的？这就是SVM所要研究解决的问题。
设一条直线 G(x) = W * X + b = 0 为最优的分割线（超平面），将样本分为两类，我们的任务就是怎样获得最优直线并求得 W 和 b 的值，在 SVM 中就是支持向量和超平面最小距离的最大值（距离超平面最近的点 有最远的距离，就是最优的超平面）；
注：SVM的二分类特别重要，在超平面 W * X + b = 0 确定的情况下，|W * X &#
最低0.47元/天 解锁文章
扫一扫
843
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
