SVM向量支持机

1.通俗理解

  1. svm:support vector machine
  2. 目标:利用超平面将两类数据分割开来,这个超平面就是我们要设计的对象

如何设计?我们设计之后会有间隔,间隔越大分类效果就越好;距离决策边界最近的点我们成为支持向量,如下图正超平面,负超平面和决策超平面

  1. 损失因子→软间隔(有一定的容错率)
  2. 升维转换(当我们在二维空间无法将数据区分的时候我们可以将数据维度转换到三维空间,在新维度下找到合适的超平面),但是这需要转换函数。

↓

核技巧,提供高维度向量相似度的测量

2.数学理解

对上图的理解:通过两组式子得出w向量和超平面垂直,和Xm-Xn近似,因此我们可以通过数学公式推导出L的公式,因此求Lmax即就是求Wmin,那接下来就看Wmin怎么求

三步,很枯燥

相关推荐
罗西的思考9 小时前
【轻量化复现大模型 / KIMI K3】MTP / EAGLE‑3 模块交互式演示
人工智能·深度学习·算法
kyle~13 小时前
模型预测控制(MPC)
算法·机器人·控制·传感器
Be for thing13 小时前
Pytorch【12】transforms进阶|图像数据增强实战,提升模型泛化能力
人工智能·pytorch·机器学习
武子康14 小时前
AI通关了,游戏就算通过测试了吗?
人工智能·游戏·机器学习
牢姐与蒯14 小时前
cpp算法之哈希
c++·算法·哈希算法
开开心心就好15 小时前
两张表格数据对比工具,不用写函数也能查
算法·spring·智能手机·pdf·电脑·intellij-idea·音视频
电科_银尘16 小时前
【大模型算法与工程 02】线性回归与逻辑回归:从损失函数到决策边界
算法·逻辑回归·线性回归
玄昌盛不会编程17 小时前
LeetCode——2243. 计算字符串的数字和
java·算法·leetcode
linweidong19 小时前
RTX 4090 Ubuntu + ComfyUI + comfy-kitchen 0.2.41 完整部署文档
机器学习·云原生·conda·pandas·scikit-learn
咕泡科技19 小时前
关于机器学习,如何通俗理解全连接层(fully connected layer)?
人工智能·深度学习·机器学习