SVM理论与算法分析.pdfVIP

资料收集于网络 如有侵权请联系网站 删除 谢谢 硬间隔线性支撑向量机 假设给定一个特征空间上的训练数据集： ， ， ， 其中， , , , 为第 i 个特征向量或实例， 为 的类标记，当 时，称 为 正例，当 时，称 为负例； ， 为样本点。 假设训练数据集是线性可分的（存在硬间隔），那么学习的目标是在特征空间找到一个分离超平面，能将实 例分到不同的类。分离超平面方程 ，它由法向量 w 和截距 b 决定，可用 表示。分离超平面 将特征空间分为两部分，一部分是正类，一部分是负类。法向量指向的一侧为正类，另一侧是负类。 一般地，当训练数据集线性可分时，存在无穷个分离超平面可将两类数据正确分开，感知机利用误分类最小 的策略，求得分离超平面，不过这是的解有无穷多。线性可分支撑向量机利用间隔最大化求最优分离超平面， 解唯一。 一、模型推导 1. 函数间隔： 一般来说，一个点距离分离超平面的远近可以表示分类预测的确信程度。在超平面 确定的情况下，