支持向量机SVM
来源:互联网 发布:淘宝pc端访客怎么推广 编辑:程序博客网 时间:2024/06/13 16:37
支持向量机
在之前的一些学习中,我们已经了解到,可以使用感知机对数据进行分类。同时我们还了解到了一个重要的结论:通过训练感知机而得到的分类超平面有无数个。
那么,有没有一种算法可以找出分类效果最好的,即最优分类超平面呢?
这就是我们本节要解决的问题,如何找出对某个数据集来说的,最优的分类超平面。
1. 线性可分支持向量机
这里,我们先从最简单的情况开始考虑,也就是数据集
线性可分就是可以找到一个分离超平面将数据集中的所有样本都正确分类。我们的分类超平面可以用式子表示出来:
式中,
下面我们就会看到,求解这个问题实际上是在求解一个最优化问题,在求解之前,先来了解几个概念。
1.1 函数间隔和几何间隔
如果我们将特征向量
而对于分类问题来说
从上式中我们可以发现
然后我们再定义一个变量
我们称数据集D的函数间隔为
但是很容易发现函数距离的一些缺陷,当我们把
于是,我们给
这样就不会出现上边说的那种情况了。我们定义数据集D的几何间隔为:
可以发现,函数间隔和几何间隔有如下的关系:
到这里,就可以导出要求解的优化方程了,如下:
通过一系列转化,将该优化问题转化为:
其中的转化思想《统计学习方法》都写的很详细了,这里我想解释一下两个点:1.为什么可以设
《统计学习方法》第101页证明了通过求解上面的方程,得到的解是唯一的,即线性可分类问题中,最优的超平面只可能有一个,此处就不再重复证明了。
同时,在数据集D中还有一些样本的函数间隔为1,即这些样本落在
这里引入拉格朗日乘子法,将上面的求解极小值的优化问题转化为拉格朗日方程的极小极大问题:
下面将讲解一个求解凸二次规划问题的重要技巧:将原问题的求解转化为对其对偶问题进行求解!
但是原问题的解和对偶问题的解是一样的么?数学家已经证明,当该凸二次优化问题满足KKT条件时,原问题和其对偶问题拥有相同的解。因此,上面那个优化问题的对偶问题如下所示:
于是我们只要求解对偶问题的解,其实也就相当于完成了对原始问题的求解。推导过程书上写的很清楚,此处不再赘述。
2. 线性支持向量机
3. 核技巧
4. 核技巧及核函数
- 支持向量机SVM
- SVM支持向量机
- svm支持向量机
- SVM支持向量机
- [SVM]支持向量机
- SVM 支持向量机
- 支持向量机SVM
- SVM 支持向量机
- svm支持向量机
- 支持向量机SVM
- svm支持向量机
- SVM (支持向量机)
- SVM支持向量机
- SVM支持向量机
- 支持向量机SVM
- 支持向量机(SVM)
- 支持向量机-SVM
- 支持向量机SVM
- psql内部命令及对应sql语句
- Oracle DML 基础查询
- python基础-paramiko模块(未完待续)
- 进阶产品总监:突破晋升瓶颈,实现3-5年产品经理的完美进阶
- Java 字符串类的常用方法【java.lang.String】
- 支持向量机SVM
- 10.数据结构(3)
- HttpClient使用详解
- 四旋翼无人机原理以及组装过程
- postgresql数字类型
- 算法_数字转换为汉字数值_自己写了好多种_自认这是最简单的算法_
- 【C/C++】模板类
- php查询物流信息
- Postgresql的序列