【模式识别与人工智能】17-第三章-第二节-支持向量机-学习策略.pptxVIP

第三章支持向量机-学习策略汇报人：霍世昕模式识别与人工智能授课教师：栾声扬

超平面、支持向量与间隔1基于间隔的代价函数2CONTENTS

PART01超平面、支持向量与间隔

第二节学习策略3.2.1超平面、支持向量与间隔基本概念一般支持向量机有以下三种形式支持向量机（SupportVectorMachine，SVM）的基本模型是在特征空间上找到最佳的分离超平面。通常SVM用于二元分类问题，对于多元分类通常将其分解为多个二元分类问题，再进行分类。硬间隔支持向量机（样本集线性可分）；软间隔支持向量机（样本集近似线性可分）；非线性支持向量机（样本集线性不可分）。

第二节学习策略超平面线性可分图1线性可分数据示意图如图1所示两组数据已经分隔得足够开，因此很容易就可以在图中画出一条直线将两组数据分开。在这种情况下，这两组数据被称为线性可分（LinearlySeparable）数据。上述将数据集分隔开来的直线称为分隔超平面（SeparatingHyperplane）。3.2.1超平面、支持向量与间隔

第二节学习策略超平面在上面给出的例子中，由于数据点都在二维平面上，所以此时分隔超平面就只是一条直线。如果所给的数据集是三维的，那么此时用来分隔数据的就是一个平面。显而易见，更高维的情况可以以此类推。如果数据集是1024维的，那么就需要一个1023维的某某对象来对数据进行分