第十一讲-SVM

支持向量机---最大化间隔问题

支持向量机也是一个分类模型

目的是找到分离各类数据点的最好的分界线(面),能够实现最大间隔(相对于支持向量来说)

  • 每类中最近的点叫支持向量
  • 非支持向量到决策面的距离都大于决策向量

下面是一个例题,和课后作业的内容很像:

考试需要掌握的内容:

支持向量机中的核技巧(The Kernel Trick)

面对非线性数据,使用复杂的模型把低维的样本映射到高维中,以此来实现线性可分

结论:如果数据映射的维度越高,就越有可能实现线性可分!

  • The more dimension ϕ(x) has, the more likely ϕ(x) is linearly separable!

如果将 x 映射到无穷维,那么一定可以实现线性可分!

soft margin SVM and hard margin SVM

硬间隔SVM对于噪声过于敏感

软间隔SVM

Hinge loss

alt text

第十一讲-SVM
http://jrhu0048.github.io/2024/12/16/ji-qi-xue-xi/di-shi-yi-jiang-svm/
作者
JR.HU
发布于
2024年12月16日
更新于
2024年12月27日
许可协议