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
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