机器学习算法(三)支持向量机
来源:互联网 发布:虚拟机centos安装教程 编辑:程序博客网 时间:2024/06/06 02:47
1、问题介绍
本文只涉及二分类支持向量机。
支持向量机问题可以分为三种情况来讨论:
1、硬间隔支持向量机:用于可以被一个超平面严格分开的问题中,又称为线性可分支持向量机
2、软间隔支持向量机:用于可以被一个超平面非严格分开的问题中,又称线性支持向量机
3、核支持向量机:用于可以被一个超曲面分开的问题中,又称非线性支持向量机
本文主要介绍硬间隔支持向量机。
所谓“可以被一个超平面严格分开”,以三维空间数据为例,就是如下图情况:
即可以找到一个分离超平面,将正负数据点分开。
假设我们有数据D={(x1,y1),(x2,y2),…,(xn,yn)},则x代表空间中的数据点,y代表该点的标签,它有两个取值,+1和-1。
我们要做的事就是找到一个如下分离超平面
1、它可以将所有的正负例点分开
2、在满足1的基础上,令所有点中,距离它距离最小的点的距离最大。
简单概括,就是找到一个分离超平面,使点到面的“最小距离最大化”。
我们的目标就是找到这个超平面的
2、目标函数分析
根据“最小距离最大化的”目标函数思想,可以写出支持向量机的目标函数如下式1:
对于目标函数,即公式1,我们总可以认为
求
对线性可分支持向量机而言,有
以下要用到约束最优化求解的知识。
根据拉格朗日乘子法,可写出该规划问题的拉格朗日表达式:
因此有
1、原问题:求
2、转化为求
3、根据拉格朗日对偶性,极小极大问题可以转化为极大极小问题。即转化为求公式2
我们进行了一个如下过程的转换。(本文中
我们根据
求出最优的
3、线性支持向量机
对于不能被严格分开的正负样本点,我们只能期望找到一个分离超平面,尽可能地把它分开。如下图
可见,有些点是分错的,但我们允许这种错误。这种模型就是线性支持向量机,也称为软间隔支持向量机。仿照硬间隔支持向量机的格式,我们同样可以整理得到约束最优化问题如下:
同理可整理出来拉格朗日形式的约束最优化问题如下:
对线性支持向量机而言,有
两个小tips
1、这个C的调参数:
a.调小 过渡带变宽,可以防止过拟合
b.调大 过渡带变窄,可以提高精度
2、损失函数
对于分错的点,有一个损失
4、核支持向量机
以上两种模型的优化函数中,都有
在高斯核中,有
- 机器学习算法(三)支持向量机
- 机器学习(三):支持向量机
- 机器学习之三 支持向量机
- 机器学习笔记三------支持向量机
- 机器学习算法与Python实践之(三)支持向量机(SVM)进阶
- 机器学习算法与Python实践之(三)支持向量机(SVM)进阶
- 机器学习算法与Python实践之(三)支持向量机(SVM)进阶
- 机器学习算法与Python实践之(三)支持向量机(SVM)进阶
- 机器学习算法与Python实践之(三)支持向量机(SVM)进阶
- 机器学习算法与Python实践之(三)支持向量机(SVM)进阶
- 转载--机器学习算法与Python实践之(三)支持向量机(SVM)进阶
- 十大机器学习算法之支持向量机(三)
- 机器学习算法(五):支持向量机(SVM)
- 机器学习中的算法:支持向量机(SVM)基础
- 机器学习十大算法--SVM(支持向量机)
- 机器学习算法系列--支持向量机(SVM)
- 机器学习---支持向量机(SVM)算法(上)
- 机器学习---支持向量机(SVM)算法应用(上)
- KazaQ's Socks
- JavaScript类属性
- 数据库增删改查!
- Chrome基本JS调试
- Make Menuconfig详解
- 机器学习算法(三)支持向量机
- ARP与ARP脚本
- 山东省第八届省赛 Return of the Nim(博弈)
- 实验吧ctf
- [bzoj1647][Usaco2007 Open]Fliptile 翻格子游戏
- WebSocket
- git 版本回退
- Java学习之路第十一天
- JAVA反射机制的一些用法