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
晚风吹红霞3 分钟前
C++ stack 和 queue 完全指南:适配器模式与双端队列的奥秘
c++·算法·适配器模式
casual~18 分钟前
十六届蓝桥杯国赛个人题解
经验分享·学习·算法·蓝桥杯
逻辑君19 分钟前
Foresight研究报告【20260020】
人工智能·机器学习
硅谷秋水24 分钟前
SkillOpt:自演化智体技能的执行策略
大数据·人工智能·深度学习·机器学习·语言模型
方也_arkling26 分钟前
【Java-Day18】API篇-Arrays
java·算法·排序算法
云器科技33 分钟前
云器 Studio Data Agent开启数据开发“自动驾驶”时代--云器 Data Agent 产品深度解析
人工智能·机器学习·自动驾驶
吴可可12339 分钟前
Curve.GetSplitCurves高效分割技巧
算法
硅谷秋水1 小时前
Qwen-VLA:跨任务、环境与机器人形态的视觉-语言-动作统一建模
人工智能·深度学习·算法·计算机视觉·语言模型·机器人
装不满的克莱因瓶1 小时前
实现矩阵的转置:从数学原理到 NumPy 实战
线性代数·机器学习·矩阵·数据分析·numpy·特征分解