机器学习之SVM

Posted spiritejx

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习之SVM相关的知识,希望对你有一定的参考价值。

支持向量机(SVM),作为一个分类模型,可以从两部分来理解:

1)线性问题

即求最优超平面:wTx+b=0。其中要求,向量集合被超平面没有错误地分开,并且离超平面最近的向量与之间距(称作间隔 margin margin)是最大的。所以,问题就转化为求max(2/||w||),即min(||w||2/2),且存在约束条件:yi(wiTxi+b)≥1。求解该问题时,利用拉格朗日乘子式,构造拉格朗日函数:L=?wTw-∑λi(yi(wiTxi+b)-1),再求极值。

另外,需要注意如果引入软间隔,相当于L2正则化。

2)非线性问题

先将低维问题映射到高维问题,从而线性可分,然后找到核函数,满足

技术分享图片

极大降低了运算量。其中,满足这种条件的核函数共有:线性核函数、多项式核函数、高斯径向基核函数以及sigmoid核函数。

以上是关于机器学习之SVM的主要内容,如果未能解决你的问题,请参考以下文章

机器学习之SVM支持向量机

机器学习之SVM初解与浅析:

机器学习之SVM简介

机器学习之支持向量机(手推公式版)

机器学习之支持向量机(手推公式版)

机器学习之SVM初解与浅析:最大距离