《机器学习技法》学习笔记01——线性SVM
来源:互联网 发布:js 对象排序 编辑:程序博客网 时间:2024/05/22 03:20
http://blog.csdn.net/u011239443/article/details/76572743
最大间距分离超平面
胖的超平面具有更好的错误容忍性。
我们目标就是找到能一个超平面,到各个点
标准最大间距问题
我们把
得到
- 计算x到超平面
wTx′+b=0 的距离:
x’和x”是超平面上的任意两个点:
所以,w的超平面的法向量,则得出距离:
由于:
所以我们可以把距离写成:
于是问题变成了:
由于:
超平面不会因系数而改变,所以我们可以对
问题就变成了:
我们将条件放大成:
我们只要证明,不可能所以的
- 证明:
假设yn(wTxn+b) 都大于1,最优解(b,w)使得yn(wTxn+b)>=c>1 。
则存在(b2,w2)=(b/c,w/c) 使得yn(wT2xn+b2)>=1 。
但是1/||w2||>1/||w|| ,所以(b,w)不是最优解,即假设不成立。
再经过一些变换,我们的问题变成了:
阅读全文
0 0
- 《机器学习技法》学习笔记01——线性SVM
- 《机器学习技法》学习笔记02——对偶SVM
- 《机器学习技法》学习笔记03——核SVM
- 林轩田--机器学习技法--SVM笔记1--线性支持向量机(linear+SVM)
- 机器学习技法笔记--- Linear SVM
- 【机器学习笔记】SVM part1: 线性SVM
- 《机器学习技法》学习笔记13——深度学习
- 《机器学习技法》学习笔记12——神经网络
- 《机器学习技法》学习笔记15——矩阵分解
- 《机器学习技法》学习笔记11——GBDT
- 学习笔记---机器学习技法
- 林轩田--机器学习技法--SVM笔记2--对偶支持向量机(dual+SVM)
- coursera机器学习技法笔记(12)——Neural Network
- coursera机器学习技法笔记(15)——Matrix Factorization
- 机器学习笔记——SVM
- 机器学习:svm 线性分类
- 林轩田--机器学习技法--SVM笔记3--核支持向量机(Kenel+Support+Vector)
- 林轩田--机器学习技法--SVM笔记5--核逻辑回归(Kernel+Logistic+Regression)
- WebSocket使用(C++环境)(三) --- 自己解析websocket协议及websocket聊天demo
- ios 图片显示模式 scaleAspectFit 后的处理
- Swift is like Kotlin
- 并查集模板
- 计数与递推
- 《机器学习技法》学习笔记01——线性SVM
- Oracle可视化工具
- sqlite不同系统下的安装
- 循环移k位,3个reverse完成
- 卷积神经网络CNN之基础介绍
- H5 Promise使用方法
- ASP.NET – 数据库连接
- Flask学习笔记--13
- Struts2学习笔记(三)——配置详解