原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：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
支持向量机简介摘要支持向量机方法是建立在统计学习理论的维理论和结构风险最小原理基础上的根据有限的样本信息在模型的复杂性即对特定训练样本的学习精度和学习能力即无错误地识别任意样本的能力摘要支持向量机方法是建立在统计学习理论的维理论和结构风险最小原理基础上的根据有限的样本信息在模型的复杂性即对特定训练样本的学习精度和学习能力即无错误地识别任意样本的能力之间寻求最佳折衷以求获得最好的推广能力我们通常希望分类的过程是一个机器学习的过程这些数据点是维实空间中的点我们希望能够把这些点通过一个维的超平面分开通
PAGE
PAGE #
支持向量机简介
摘要：支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）
摘要：支持向量机方法是建立在统计学习理论的
VC维理论和结构风险最小原理
基础上的，根据有限的样本信息在模型的复杂性
（即对特定训练样本的学习精度）
和学习能力（即无错误地识别任意样本的能力）
之间寻求最佳折衷，以求获得最
好的推广能力。我们通常希望分类的过程是一个机器学习的过程。这些数据点
是n维实空间中的点。我们希望能够把这些点通过一个 n-1维的超平面分开
文档评论（0）