机器学习课件 4.1支持向量机基本原理和线性支持向量机.pptxVIP

支持向量机

基于统计学习理论的方法定义最优超平面，并把寻找最优超平面归结为求解一个凸规划问题支持向量机（supportvectormachine，SVM）基本原理支持向量机能较好地解决小样本、非线性和高维数据、局部极小点等实际问题。H为线性超平面，H1、H2分别为过各类中离超平面最近的样本且平行于超平面分类间隔（margin）：|H1H2|。最优超平面：将两类数据正确分开，并且使分类间隔最大。二分类

支持向量机（supportvectormachine，SVM）基本原理能将两类样本正确分开的超平面有无数多个。如何求得最优超平面？

支持向量机（supportvectormachine，SVM）超平面线性超平面非线性超平面线性可分情况线性不可分情况线性不可分情况

线性最优超平面线性支持向量机非线性最优超平面非线性支持向量机