支持向量机——线性可分支持向量机

Posted Vic时代

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了支持向量机——线性可分支持向量机相关的知识,希望对你有一定的参考价值。

支持向量机(Support Vector Machine, SVM)是一种二分类模型。它的基本思想是间隔最大化。

1、线性可分支持向量机

给定训练集 T=(x1,y1),(x2,y2),...,(xm,ym) T = ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x m , y m ) ,其中 (xi,yi) ( x i , y i ) 表示第 i i 个训练样本。输入实例xi∈Rd\'>xiRd, 标记 yi+1,1 y i ∈ + 1 , − 1 ,+1代表正例,-1代表反例。

假设训练集线性可分,即存在超平面能正确划分训练集,并且很容易看出这种超平面有无穷多个。分类超平面用 ωTx+b=0 ω T x + b = 0 表示,对所有 ωTx+b>0 ω T x + b > 0 的实例,超平面将其划分为正类;对所有 ωTx+b<0 ω T x + b < 0 的实例,超平面将其划分为反例。

学习的目的,就是找到这样一个分类超平面,使其对训练集进行正确划分。上面也说了,在训练集线性可分的情况下,这样的分类超平面有无穷多个。支持向量机通过间隔最大化求最优分类超平面,这个最优超平面的解是唯一的。

1.1 函数间隔与几何间隔

函数间隔
超平面 ωTx+b=0 ω T x + b = 0 关于样本点 (xi,yi) ( x i , y i ) 的函数间隔为

γ^i=yi(ωTxi+b),(1) (1) γ ^ i = y i ( ω T x i + b ) ,
关于训练集T的函数间隔为 γ^=miniγ^i.(2) (2) γ ^ = min i γ ^ i .

对于分类超平面 ωTx+b=0 ω T x + b = 0 与样本 (xi,yi) ( x i , y i ) (ωTxi+b) ( ω T x i + b ) 的符号与 yi y i 的符号是否一致能够表示分类是否正确; |ωTxi+b| | ω T x i + b | 能够相对地表示 xi x i 距离超平面的远近,而实例点距离分类超平面的远近可以表示分类的确信程度。所以函数间隔不仅包含了超平面是否将样本正确分类的信息,还包含了超平面对样本分类的确信度。

几何间隔
超平面 ωTx+b=0 ω T x + b = 0 关于样本点 (xi,支持向量机——线性可分支持向量机

机器学习——支持向量机:线性可分支持向量机到非线性支持向量机

机器学习——支持向量机:线性可分支持向量机到非线性支持向量机

支持向量机

支持向量机原理线性不可分支持向量机与核函数

11支持向量机SVM:线性可分支持向量机