SVM 的推导
来源:互联网 发布:java jvm调优 编辑:程序博客网 时间:2024/06/09 10:44
支持向量机,SVM,全称 Support Vector Machine,是一种二类分类模型。它的基本模型是定义在特征空间上的间隔最大的线性分类器,间隔最大使它有别于感知机;核的引入使其成为实质上的非线性分类器。
给定一个训练数据集
定义超平面
可若成比例地改变 w 和 b,超平面并没有改变,但函数间隔却成为原来的两倍,故引入几何间隔
定义超平面
可知对于函数间隔和几何间隔,有
下面考虑如何求得一个几何间隔最大的超平面,即最大间隔分离超平面
由几何间隔和函数间隔的关系式,可将上式化为
函数间隔
这是一个凸二次规划问题,求出问题的解 w*,b*,就可以得到最大间隔分离超平面。为了求解该最优化问题,将它作为原始最优化问题,应用拉格朗日对偶性,通过求解对偶问题得到原始问题的最优解,这就是线性可支持向量机的对偶算法。这样做的优点,一是对偶问题往往更容易求解;二是自然引入核函数,进而推广到非线性分类问题。
拉格朗日对偶性的相关推导在这里,是我之前写的一篇博客
根据拉格朗日对偶,原始问题的对偶问题是极大极小问题
1.求
将
参考资料:
Stanford CS229《Machine Learning》
《统计学习方法》
https://zh.wikipedia.org/wiki/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA
0 0
- SVM的详细推导
- SVM 的推导
- SVM相关的推导
- svm的数学推导原理
- svm推导
- SVM推导
- svm推导
- SVM 中 geometric margin 的推导问题
- C_SVC推导(经典的SVM模型)
- SVM推导帖子收藏
- SVM公式推导
- SVM推导简述
- SVM算法推导
- SVM简单推导
- SVM公式推导
- SVM公式推导
- SVM 的推导、特点、优缺点、多分类问题及应用
- 广义拉格朗日函数的理解(可用于SVM推导)
- revit二次开发里用LocationPoint和point移动
- Groovy学习(一)——Groovy字符串
- Codeforces Round #378 (Div. 2) C. Epidemic in Monstropolis
- 矩阵乘法
- Android系统Camera录像过程分析
- SVM 的推导
- RecyclerView使用xRefreshView时遇到的问题
- 质因数分解
- revit二次开发获取墙的几何信息
- Binder基本概念流程学习
- Intellij IDEA调试功能使用总结(step over / step into / force step into/step out等)
- RTMPdump 使用说明
- revit二次开发里的复制粘贴
- LeetCode No.257 Binary Tree Paths