机器学习——SVM

• 假设给定一个特征空间上的训练数据集$T=(x_1,y_1),...,(x_N,y_N)$，其中 x i ∈ R n , y i ∈ { − 1 , + 1 } , i = 1 , 2 , . . . , N x_i\in R^n, y_i\in\{-1,+1\}, i=1,2,...,N xi​∈Rn,yi​∈{ −1,+1},i=1,2,...,N
• $x_i$为第 i 个实例（若n>1，$x_i$为向量）；
• y_i为x_i的类标记；
  • 当y_i=+1时，称$x_i$为正例；
  • 当y_i=-1时，称$x_i$为负例；
• ($x_i,y_i$)称为样本点。

线性可分支持向量机

• 给定线性可分训练数据集，通过间隔最大化得到的分离超平面为
  $$y(x)=w^T\varphi (x)+b$$
  相应的分类决策函数 f ( x ) = s i g n ( w T ϕ ( x ) + b ) f(x)=sign(w^T\phi(x)+b) f(x)=sign(w