原创力文档- 1、本文档共9页，可阅读全部内容。
- 2、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。
- 3、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。
- 4、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)。
查看更多
SVM 支持向量机
1. 掌握分隔超平面与支持向量的基本概念 2. 熟悉线性 SVM的基本思想 3. 了解非线性 SVM技巧
分隔超平面与支持向量线性 SVM12非线性 SVM3
1. 分隔超平面与支持向量分隔超平面 分布在平面一侧的所有数据都属于某个类别，而分布在另一侧的所有数据则属于另一个类别，这个平面称为分隔超平面，也就是分类的决策边界。平面公式：g(x) = w*x + b = 0
1. 分隔超平面与支持向量支持向量 在选取分隔超平面时，如果数据点离决策边界越远，那么其最后的预测结果也就越可信，因此需要找到离分隔超平面最近的点，并确保它们离分隔面的距离尽可能远，这些点称为支持向量。点A到分隔超平面的距离：D(A) = |w*A + b| / ||w||
2. 线性 SVM线性 SVMSVM 就是要找出这些支持向量，并找出对应的分隔超平面，一旦找到具有最小间隔的数据点，就需要对该间隔最大化假设两个和这个超平面平行和距离相等的超平面H1: y = wTx + b = +1H2: y = wTx + b = -1这两个平面需要两个条件：1. 没有任何样本在这两个平面之间2. 这两个平面的距离需要最大支持向量会处于这两条线上
3. 非线性 SVM非完全线性可分SVM松弛变量 C，允许有些数据点可以处于分隔面的错误一侧非线性SVM核变换，通过非线性映射将原输入数据变换到高维空间非线性分隔超曲面，对应在新空间找到的最大边缘超平面
1. 分隔超平面与支持向量的基本概念 2. 线性 SVM的基本思想 3. 非线性 SVM技巧
文档评论（0）