原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
Support Vetor Machine（SVM）简介 李洋 北京师范大学数学科学学院05级 Email:farutoliyang@ 主要内容 统计学习理论（Statistical Learning Theory）（SVM的理论基础） SVM分类基本思想 SVM主要算法过程 统计学习理论（Statistical Learning Theory） Vapnik与60-70年代提出了统计学习理论的基本思想，并在20世纪90年代中期不断发展和成熟 与传统的统计学相比，统计学习理论是一种专门研究小样本情况下机器学习规律的理论 该理论针对小样本问题建立了一套新的理论体系，在这个理论体系下的统计推理规则不仅考虑了对渐进性能的要求，而且追求在现有有限信息的条件下得到最优结果 统计学习理论（Statistical Learning Theory） 与传统的统计理论相比，统计学习理论基本上不涉及概率测度的定义及大数定律 统计学习理论为建立有限样本学习问题提供了一个统一的框架 它避免了人工神经网络等方法的网络结构选择、过学习和欠学习以及局部极小等问题 统计学习理论（Statistical Learning Theory） 近年来，基于该理论发展的支持向量机（Support Vector Machine）逐渐成熟并已在模式识别、函数估计等人工智能领域得到较好的应用。 SVM分类基本思想 升维 线性化 SVM方法的核心是支持向量 （在后面可以看到最后求得的超平面的解析式可由支持向量完全决定） 求最优分类超平面等价于求最大间隔 最优分类函数的求解 引入 -不敏感误差函数（即误差小于 时视为无误差），则寻求最优分类超平面的问题转为一个二次凸规划问题： 采用Lagrange乘数法并应用KKT（Karush-Kuhn-Tucker）条件，可求得分类函数为： * 渐进性能（推广能力）：人们将学习机器对未来输出进行正确预测的能力称作推广能力 * 渐进性能（推广能力）：人们将学习机器对未来输出进行正确预测的能力称作推广能力
文档评论（0）