机器学习笔记 SVM

个人学习笔记

  • 函数间隔

 

 

但是呢,函数间隔有个问题,

于是产生了几何间隔这个概念。

  •  

     

    几何间隔

 

硬间隔最大化:

对线性可分的训练集而言,这里的间隔最大化又称为硬间隔最大化.直观解释是对训练集找到几何间隔最大的超平面意味着以充分大的确信度对训练数据进行分类.求最大间隔分离超平面即约束最优化问题:

,

将几何间隔用函数间隔表示

,

并且注意到函数间隔的取值并不影响最优化问题的解,不妨令函数间隔=1,并让最大化1/||w||等价为最小化||w||^2/2,问题变为凸二次规划问题

.


reference:

https://www.cnblogs.com/limitlessun/p/8611103.html#_label6

https://www.jianshu.com/p/45b3a4f94129

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
机器学习中的支持向量机(SVM)是一种强大的算法,尤其在处理少量数据(1万以内)时表现出色。SVM通过构建一个最优的超平面来进行分类和回归任务。然而,SVM对参数的要求较高,而且在处理特征样本数据不平衡的情况下效果可能不太好。因此,在实际应用中,有些人更倾向于选择集成算法来解决问题。 在使用SVM进行实例分析时,MATLAB是一个常用的工具。MATLAB提供了一些函数和工具箱,可以帮助我们实现SVM模型。通过MATLAB,我们可以使用SVM对数据进行分类、回归和聚类等任务。此外,MATLAB还提供了一些示例代码,帮助我们更好地理解和应用SVM算法。 具体来说,使用MATLAB进行机器学习和深度学习的方法可以包括以下步骤: 1. 导入数据:首先,我们需要将我们的数据导入MATLAB中。可以使用MATLAB提供的函数或者导入工具来完成这一步骤。 2. 数据预处理:在进行SVM分析之前,我们可能需要对数据进行预处理,例如数据清洗、特征选择和特征缩放等。 3. 模型训练:接下来,我们可以使用MATLAB提供的函数来训练SVM模型。可以根据具体的问题选择不同的SVM算法和核函数。 4. 模型评估:训练完成后,我们需要对模型进行评估,例如计算分类准确率、回归精度或者其他评价指标。 5. 模型优化:根据评估结果,我们可以对模型进行调优,例如调整超参数、使用不同的核函数或者尝试其他算法。 6. 预测和应用:最后,我们可以使用训练好的SVM模型进行预测和应用。可以使用新的数据来测试模型的准确性和性能。 总之,机器学习中的SVM算法是一种强大的工具,可以用于分类、回归和聚类分析等任务。通过使用MATLAB提供的函数和示例代码,我们可以更好地理解和应用SVM算法来解决实际问题。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [python机器学习SVM(支持向量机)实例](https://blog.csdn.net/weixin_48077303/article/details/115611329)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *3* [Matlab基础应用学习笔记.md](https://download.csdn.net/download/weixin_52057528/88284511)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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