wx=b的几何意义

最新推荐文章于 2021-03-29 20:11:57 发布
最新推荐文章于 2021-03-29 20:11:57 发布
阅读量1.7k 收藏 3
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yhcharles/article/details/9794697
版权

设w, x都是n维空间中的向量（vector），大家都知道w^{T}x=b表示一个hyperplane，那它的几何意义是什么呢？


其实很简单，因为w^{T}x是两个向量点积，它表示x在w上的投影，或者更准确的说，是x在w上的投影乘以w的长度，即w^{T}x=||w|| ||x|| cos\theta

所以w^{T}x=b表示的是，所有在w上投影长度为b/||w||的向量集合，这显然是与w相交于某一点，并且与之垂直的平面，并且这个点与原点的距离就是b/||w||

w就是这个平面的法向量


另外，可以进一步推论，空间中任意一点x'到这个超平面的距离：

先将x'看做一个向量，求出x'在w上的投影：b'/||w||=w^{T}x'/||w||

所以x'到超平面的距离为b/||w|| - b'/||w||

yhcharles
关注
感知机-支持向量机的简单详细理解
weixin_41911765的博客
09-09 1339
目录 感知机 感知机模型 感知机的学习 感知机的学习算法 支持向量机 线性支持向量机 感知机 感知机模型 感知机是什么？ 简单地说感知机是一种映射，对来自输入空间的特征，映射到输出空间中,它是一种线性分类器，只输出正负结果。 将称为感知机，w,b分别为该感知机的权值(weight)和偏置(bias)，sign是符号函数，有两种输出结果 感知机的几何解释 从符号函数...
svm 解得的w和b分别是什么意思_一文搞懂支持向量机(SVM)算法
weixin_39984982的博客
01-05 6274
SVM中的支持向量是指什么在开始推导之前我们先了解一下支持向量机中的支持向量是指什么。观察上面一张图，哪些点对于分割线起了决定性作用？在特别远的区域，不管有多少样本点，对于分割线的位置，也是没有作用的，分割线是图中三个正好落在margin边界上的点决定的。这几个关键点支撑起了一个分割超平面，他们就是SVM中的支持向量。下面我们开始一步步推导SVM。SVM的优化目标现在我们开始讲解SVM算法的优化目...
wx+b
qq_33314743的博客
07-25 770
@wx+bTOC Wx+B使得 x[0.1 -0.5 0.8 3…] 映射到一个 W_DIM（W为W-dimX-dim的矩阵） 维度的logit向量上 [-1，0.5，3，。。。。] 然后用softmax、logistic回归等可以归一化成【0，1】之间的数值 当X是一个NX-dim矩阵的时候，WX=W-dimN的矩阵 # 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdo...
对于识别猫图案例中y=wX+b公式的理解
codeman_cdb的专栏
08-13 3012
y：图片中有猫的概率 X：图片的矩阵化表示 b：偏置量 问题：为什么通过训练，wx+b可以计算出图片中有猫的概率 分析： X是图片的特征化向量表示，每一个维度代表图片的一个特征 为了方便理解，我们简单假设： x1：眼睛特征 x2：四肢特征 x3：毛发特征 x4：尾巴特征 那么wx就可以理解为： w1*x1：眼睛是圆形的概率 w2*x2：耳朵是三角形的概率 w...
感知机的几个细节
weixin_42364672的博客
01-27 405
说明，如下用下划线表示向量 一、超平面的几何推导 假设超平面公式为wx+b=0，则向量w为超平面的法向量，b为截距，几何推倒如下： 设x1为超平面上一点，b'为坐标原点在超平面上沿着法向量方向的投影，那么向量(x1-b')表示为向量x1b'。 又因为法向量和超平面垂直，所以位于超平面上的任意两点构成的向量和法向量点乘都为0，所以： x1b'dotw=0，即： (x1-b')dotw=0，即： x1dotw-b'dotw=0 假设w为单位法向量，...
超平面、Wx=b或Wx+b=0的几何意义
Zelf0914的博客
07-14 6609
超平面、Wx=b或Wx+b=0的几何意义超平面的理解Wx=b或Wx+b=0的几何意义 超平面的理解 二维空间中，满足 ax + by + c = 0 的所有点 (x, y) 在几何上是一条直线（类似于 y = k1x + k2）。 三维空间中，满足 ax + by + cz = d 的所有点 (x, y, z) 在几何上是空间的一张平面。 n维空间中, 满足n元一次方程 a1x1 + a2x2 +...
Ax=b不可逆解法
Lininggggggg的博客
06-03 2391
由于是从Word文档直接复制过来，其中格式如果乱码或者不通顺，请评论区告知我 参考资料： 　　西瓜书第三章 　　https://blog.csdn.net/weixin_41757059/article/details/79418453 目录:Ax=b一、Ax=b不可逆解法 一、Ax=b不可逆解法 1、对于一个需要进行线性回归的函数f(x0)=wx+bf(x_0)=wx+bf(x0​)=wx+b，我们的目的是得到参数w和b，对此使得f(xi)≈yif(x_i) \approx y_if(xi​)≈yi​.
【机器学习】- 支持向量机
weixin_43522964的博客
05-21 1949
支持向量机 svm
CS231n assignment1 multi svm -- 矩阵乘法的几何意义
BUPT_WX的专栏
10-08 3551
问题引入在cs231n的assignment1多类svm部分中，需要采用完全向量法求解损失函数对权重的梯度
SVM函数间隔和几何间隔
lvhuike的博客
12-30 1244
刚开始接触SVM，遇到函数间隔和几何间隔，对这2个概念有点混肴，查阅一些资料后有点明白了。 函数间隔： 并不是实际意义上的点到超平面的距离，只是表示点到超平面的远近。 比如平面方程1：3x1 + 6x2 - 12 = 0 和平面方程2：x1 + 2x2 - 4 = 0 都过点（4，0）和（2，0），虽然平面方程1的系数是平面方程2的3倍，但它们是同一条线同一个平面。函数间隔等于y（wx + ...
感知机
fanwu72的专栏
03-29 197
感知机模型（未完待续） 感知机通过学习出一个超平面将数据分隔成两部分，实现二分分类的效果。 使用感知机的前提是数据线性可分（凸包？） 公式 f(x) = sign(wx + b) 其中w和x都是向量。 w表示weighted vector, b表示bias。 当w为二维时，表示用一条线分割平面。 当w为三维时，表示用一个平面分隔一个三维空间。 wx+b的几何解释 w为超平面的法向量，b为截距。点到平面距离: (wx + b) / ||w|| 感知机策略 如何表示经验风...
统计学习方法笔记四---支持向量机
秋水顽石
06-17 964
支持向量机（support vector machines， SVM） 支持向量机（support vector machines， SVM）是一种二分类模型，它的基本模型是定义在特征空间上的**<font color=red>间隔最大</font>**的线性分类器，间隔使它有别于感知机；支持向量机还包括和技巧，这使它成为实质上的非线性分类器。
机器学习算法（三）：支持向量机
m0_49007293的博客
03-14 464
支持向量机（SVM） 给的训练集D={(x1,y1),(x2,y2)…(xm,ym)},y=1或-1。支持向量机的想法就是在样本空间中找到一个划分超平面，将不同类别的样本分开。 这样的超平面会有很多，哪一个才是最优的呢？ 首先，我们描述一个超平面： w=（w1,w2…wd) x=(x1,x2…xd) w和x均为列向量 w表示超平面的法向量，决定了超平面在空间中的角度；b为位移项，表示超平面与原点之间的距离；x表示超平面上的一个点。显然，超平面可以由参数w和b共同确定。将超平面记为(w,
深度神经网络：WX+b vs XW+b
chuange6363的博客
09-10 978
在大多数的神经网络教科书中，神经网络一般都会使用 y = WX+B 或者 y = XW+B 的形式。但是在 tensorflow 或者 theano 中，神经网络的实现都是采用了 y = XW+B 的形式。这是为什么呢？我花了很多的时间去查找资料，最后发现一点，可能是 y = XW+B 计算导...
SVM中令 WX + b = 1的理解
muye5的专栏
05-27 4289
都知道SVM中的核心就是找到一个超曲面来实现样本点的线性可分，那么对于多个可用的超曲面来说，哪个是最好的呢? Answer：SVM对超曲面选取的标准是：max margin 每一个候选的超曲面对应都有一个margin，我们选的就是让这margin最大的超曲面！而这里定义的一个超曲面的 margin指的是所有的样本点到该超曲面的几何距离的最小值。 需要注意的是，对于任意一个超曲面，都
机器学习中的超平面wx+b=0?
handforever的专栏
11-03 8881
一个线性分类器就是要在 n 维的数据空间中找到一个超平面，其方程可以表示为：wx+b=0, 作为菜鸟想为何超平面方程如此。一天在看2D的直线方程ax+by+c=0,豁然开朗，因为w,x皆为向量，wx+b=0不就是a1*x1+a2*x2+...an*xn+b=0。
神经网络中w,b参数的作用（为何需要偏置b的解释）
热门推荐
AI_盲的博客
04-25 7万+
可视图讲解神经元w,b参数的作用 在我们接触神经网络过程中，很容易看到就是这样一个式子，g(wx+b)，其中w,x均为向量.比如下图所示： 加入激活函数为g(x)，我们就可以用公式g(w1x1+w2x2+b)(注：1,2均为下标，公众号很难打,下面所有的公式均是)来表示神经元的输出。 其中b为神经元的偏置.那么w,b这些参数的作
支持向量机通俗导论（理解SVM的三层境界）
jfkidear的专栏
06-07 2515
支持向量机通俗导论（理解SVM的三层境界） 分类： 30.Machine L&Data Mining2012-06-01 22:48 3882人阅读 评论(18) 收藏 举报         支持向量机通俗导论（理解SVM的三层境界） 作者：July、pluskid；致谢：Wind、白石。 出处：结构之法算法之道blog。 前言
支持向量机（一）——深入理解函数间隔与几何间隔
我爱学习的博客
07-09 1万+
1.支持向量机和logistic函数的有什么区别 实践发现，在所给的例子中，两种方法线性划分两类事物时得到的线性分类器的效果差不多。那具体的差别在哪呢？ ···SVM更关心的是靠近中间分割线的点，让他们尽可能地原理中间线，而不是在所有点上达到最优，因为那样的话，要使得一部分点靠近中间线来换取另外一部分点更加原理中间线。因此支持向量机和和逻辑斯蒂回归的不同点，一个是考虑局部（不关心已经确定远离的...
def linreg(X, w, b): sum_wx = 0 for i, j in zip(w, X): sum_wx += i[0] * j[0] + b[0] return sum_wx
最新发布
07-15
根据 `zip(w, X)` 的结果，`i` 和 `j` 是元组类型，因此在计算 `sum_wx += i[0] * j[0] + b[0]` 时，结果是一个元组。 为了解决这个问题，你可以修改 `linreg` 函数的实现，确保它返回一个数字而不是一个元组。你...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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