学习SVM(三)理解SVM中的对偶问题
来源:互联网 发布:什么软件可以做代理 编辑:程序博客网 时间:2024/06/01 20:06
学习SVM(一) SVM模型训练与分类的OpenCV实现
学习SVM(二) 如何理解支持向量机的最大分类间隔
学习SVM(三)理解SVM中的对偶问题
学习SVM(四) 理解SVM中的支持向量(Support Vector)
学习SVM(五)理解线性SVM的松弛因子
网上有很多关于SVM的优秀博客与其他学习资料,而个人感觉本系列博客与其他关于SVM的文章相比,多了一些细节的证明,比如线性分类器原理,支持向量原理等等。
同样是SVM,在《支持向量机导论》中有170+页的内容,而在《机器学习》(周志华)一书中仅仅是一个章节的内容,中间略过了细节推导的过程,这些被略过的推导过程在本系列博客中都会加入,也是在自学时验证过程中的一些总结,如有问题请指正。
在上一篇的内容中(学习SVM(二) 如何理解支持向量机的最大分类间隔),我们最后我们推导出优化目标为:
其中约束条件为n个,这是一个关于w和b的最小值问题。
根据拉格朗日乘子法:就是求函数f(x1,x2,…)在g(x1,x2,…)=0的约束条件下的极值的方法。其主要思想是将约束条件函数与原函数联系到一起,使能配成与变量数量相等的等式方程,从而求出得到原函数极值的各个变量的解。即可以求得:
其中a就是拉格朗日乘子法进入的一个新的参数,也就是拉格朗日乘子。
那么问题就变成了:
所谓的对偶问题就是:
做这种转换是为了后面的求解方便,因为最小值问题,求导就可以啦!!
下面对w和b分别求偏导(这里是纯数学计算,直接给结果了):
在这里求出了两个结果,带入到L(w,b,a)中:
所以问题被转化成为:
注意这里的约束条件有n+1个。
添加符号,再一次转化条件:
- 学习SVM(三)理解SVM中的对偶问题
- 深入理解SVM之对偶问题
- 深入理解SVM之对偶问题
- 三种SVM的对偶问题
- 支持向量机SVM中的对偶问题
- SVM对偶问题
- SVM之对偶问题
- SVM之对偶问题
- svm对偶问题
- SVM之对偶问题
- SVM(二)从拉格朗日对偶问题到SVM
- SVM(二)拉格朗日对偶问题
- SVM(二)拉格朗日对偶问题
- SVM(二)拉格朗日对偶问题
- SVM(二)拉格朗日对偶问题
- SVM(二)拉格朗日对偶问题
- SVM(二)拉格朗日对偶问题
- SVM学习笔记-对偶形式的SVM
- 【TransientPropertyValueException】瞬时对象属性值异常
- OpenCV自学笔记14:Harris角点检测实例
- Clustered Features——聚合要素
- viewpager详细使用说明
- Haproxy的详解
- 学习SVM(三)理解SVM中的对偶问题
- Codeforces 819 B. Mister B and PR Shifts
- Java多态性理解
- PHP中文乱码解决方案
- python merge、concat合并数据集
- 项目学习笔记
- java api
- Shell命令之Android及iOS常用操作命令
- Oracle12C 数据库安装示范教程