技术栈
软间隔
修炼室
6 个月前
人工智能
·
机器学习
·
支持向量机
·
正则化
·
软间隔
机器学习:深入解析SVM的核心概念【四、软间隔与正则化】
在前面的讨论中,我们一直假定训练样本在样本空间或特征空间中是线性可分的,即存在一个超平面能将不同类的样本完全划分开.然而,在现实任务中往往 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; 退一步说,即便恰好找到了某个核函数使训练集在特征空间中线性可分,也很难断定这个貌似线性可分的结果不是由于过拟合所造成的.