第6章:支持向量机

间隔与支持向量


w为法向量,决定的是超平面的方向。b是偏移项,决定了超平面与原点之间的距离。

为什么最大化间隔,得到的就是最优平面呢?

  • 当超平面没有正确划分正负样本时,几何间隔为负数。
  • 几何间隔,各个点中最小的,当正确划分时,越靠近正中间,几何间隔越大。

求解分类支持向量机

凸优化

拉格朗日对偶



KKT条件

求解




SMO


唯一不确定的地方:

核函数






软间隔与正则化

在现实任务中,很难确定合适的核函数使得训练样本在特征空间中线性可分,即使找到了也很难断定这个结果是不是过拟合造成的。
如何缓解?--软间隔



支持向量回归





相关推荐
怕浪猫8 小时前
RAG 面试 6 连问,从原理到优化全部覆盖
python·算法·面试
高洁018 小时前
具身智能中的世界模型训练
人工智能·python·深度学习·机器学习·transformer
无线通信科研笔记8 小时前
IEEE TVT 2026 论文精读与完整复现|相位误差如何重塑近场 RIS 的幅相响应
论文阅读·人工智能·python·算法·论文笔记
mmmmath_39 小时前
二叉树の递归遍历
算法
All for pursuit.9 小时前
【位运算-1】338.比特位计数
数据结构·c++·算法·leetcode
正在走向自律10 小时前
AI数据分析与可视化:从基础到应用实践
服务器·人工智能·python·机器学习·数据分析·pandas
小师兄吃牛肉10 小时前
C语言中的nullptr有必要吗
c语言·c++·算法
for_ever_love__11 小时前
模型评估与过拟合——交叉验证、正则化与指标解读
机器学习·模型评估·交叉验证·过拟合
一只小小的芙厨11 小时前
【线性DP】
学习·算法·动态规划
2501_9269783312 小时前
给自指系统接一个外部锚 —— 一个关于「用 AI 观察自己」的方法
人工智能·经验分享·笔记·机器学习·ai写作