SVM(Support Vector Machine):
- 支持向量机
- 有监督学习模型
- 应用:模式识别、分类以及回归分析
SVM的主要思想:
-
它是针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
-
它基于结构风险最小化理论之上在特征空间中构建最优超平面,使得学习器得到全局最优化,并且在整个样本空间的期望以某个概率满足一定上界。
SVM(Support Vector Machine):
SVM的主要思想:
它是针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
它基于结构风险最小化理论之上在特征空间中构建最优超平面,使得学习器得到全局最优化,并且在整个样本空间的期望以某个概率满足一定上界。
线性可分支持向量机学习的最优化问题: 常用核函数: KKT条件: 习题:
在没有领域相关的先验知识的情况下,SVM差不多是最好的不用修改就能很好工作的分类器了。
规模机器学习等章节。所有内容均来自Standford公开课machine
线性可分支持向量机,函数间隔,几何间隔,最大化间隔,对偶问题; ...
举报文章
请选择举报类型
补充说明
0/200
上传截图
格式支持JPEG/PNG/JPG,图片不超过1.9M