SVM(支持向量机).ppt

统计学习理论与SVM;目录;8.1.1 SLT SVM的地位和作用;8.1.2 SLT SVM的数学基础;8.1.3 SLTSVM所坚持的“基本信念”;8.1.4 SLTSVM与传统方法的区别;SLT SVM集以下模型于一身：;8.2 SLT中的基本概念;统计学习理论中的基本概念（续）;8.3 统计学习理论的发展简况;SLT的发展简况(续);8.4 统计学习理论的基本内容;8.4.1 机器学习的基本问题;学习问题的表示;8.4.2 机器学习的基本问题;三类基本的机器学习问题;上述原则意味着，当解决模式识别或回归估计问题时，必须设法去“直接”寻找待求的函数，而不是首先估计密度，然后用估计的密度来构造待求的函数。 密度估计是统计学中的一个全能问题，即知道了密度就可以解决各种问题。一般地，估计密度是一个不适定问题(ill-posed problem)，需要大量观测才能较好地解决。 实际上，需要解决的问题（如决策规则估计或回归估计）是很特殊的，通常只需要有某一合理数量的观测就可以解决。;经验风险最小化原则;经验风险最小化;复杂性与推广能力;用三角函数拟合任意点;学习的示例;复杂性与推广能力（续）;8.5 统计学习理论的核心内容;VC维(函数的多样性);2h种=8种（h＝3）;VC维（续）;VC维（续）;三个里程碑定理;推广性的界;推广性的界（续1）;推广性的界