SVM边学边总结系列——线性可分情况
来源:互联网 发布:java常用的分布式框架 编辑:程序博客网 时间:2024/06/05 15:54
支持向量机学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。
对训练数据集找到间隔最大的超平面意味着以充分大的确信度对训练数据进行分类。
在这之前,需要先了解一下函数间隔和几何间隔的相关知识:
有A、B、C三个点,表示3个实例,均在分离超平面的正类的一侧,预测它们的类。
点A距分类超平面较远,若预测该点为正类,就比较确信预测是正确的;
点C距分类超平面较近,若预测该点为正类就不那么确信;
点B介于点A和C之间,预测其为正类的确信度也在A与C之间。
函数间隔:一个点距离分离超平面的远近可以表示分类预测的确信程度。
在超平面确定情况下,能相对地表示x距离超平面的远近。
的符号与类标记y的符号是否一致能够表示分类是否正确。
所以,可用来表示分类的正确性及确信度。
对于给定的训练数据集T和超平面
超平面关于样本点(表示实例,其类标记为)的函数间隔为:
函数间隔最小值:(作为超平面关于训练数据集T的函数间隔)
对超平面的法向量加某些约束,如规范化,使得间隔是确定的。这时函数间隔成为几何间隔。
几何间隔:
当样本点被超平面正确分类时,点与超平面的距离AB为:
这也就是超平面关于样本点的几何间隔。
几何间隔最小值:(作为超平面关于训练数据集T的几何间隔)
高亮!!!
好啦,开头已经说啦,支持向量机学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。
so,问题变为,找到一个超平面,关于每个训练样本点的几何间隔至少是:
可以看出,在决定分离超平面时只有支持向量起作用!!其他实例点并不起作用(可以去掉),这种分类模型称为支持向量机。
下次,再继续学习线性不可分时的情况,啦啦啦,去吃饭啦~~
学习参考书籍:《统计学习方法》李航 著
- SVM边学边总结系列——线性可分情况
- SVM边学边总结系列——非线性可分情况
- SVM边学边总结系列——线性不可分情况
- 机器学习SVM算法原理之线性可分情况
- 线性可分svm原理详解
- SVM:如何判断线性可分
- 【Python学习系列八】Python实现线性可分SVM(支持向量机)
- OpenCv学习笔记--支持向量机SVM线性可分情况下的OpenCv实现的超详细注释(2)
- SVM清晰讲解1__线性可分问题
- SVM 支持向量机(1)--- 完全线性可分
- SVM 支持向量机(2)---不完全线性可分
- 线性可分SVM与硬间隔最大化
- 理解SVM(二)——线性不可分的情况
- SVM-支持向量机学习(1):线性可分SVM的基本型
- SVM-支持向量机学习(2):线性可分SVM的对偶型
- SVM 为何需要核函数 & 线性不可分转化为高维线性可分
- SVM再次总结 - 2 - 线性可分支持向量机
- SVM边学边总结系列——SMO算法
- Linux中用户权限与所属组问题
- ajax无刷新聊天室系统
- 顺序表应用5:有序顺序表归并
- linux mysql外网授权链接
- android 图片适配
- SVM边学边总结系列——线性可分情况
- Android 学习笔记 初学自定义viewgroup
- 使用CAShapeLayer实现扫描二维码界面
- java中字符串如何去除最后一个字符
- 9月2日学习日记
- 暂定为 动态执行sql语句吧
- adb下USB的vid和pid所在目录
- 通过结构体实现程序内敛
- 计算机网络~~