支持向量机SVM(Support Vector Machine)
1.解决问题思路展开
==>目标：基于上述问题对SVM进行推导
1.1决策边界
右图中的决策边界更具容忍度，更加可靠
1.2 通过距离获得决策边界（求取点到面的距离）
通过平面上两点可以得到平面的法向量，进而获得与法相量平行的单位方向向量，通过平面外一点X到平面上一点x’的距离D在单位方向向量的投影可以求出距离d，其中，D乘以单位向量为与图中dist重合的向量，取其模即为距离d，计算公式如下：
1.3 数据标签定义，SVM为一种有监督算法
1.4 目标函数推导
中间涉及缩放、极大值与极小值相互转换、对偶性(了解即可)
2.目标函数推导过程
2.1 拉格朗日乘子法求解
先求出alpha，进而求出w和b
2.2 化简最终目标函数
2.3 举例求解决策方程
3. SVM特色
3.1 软间隔优化
3.2 核函数（低维->高维）
通过核函数将低维数据映射到高维空间
多数情况下大都用高斯核函数：将原始特征映射成高斯空间中的距离特征
先这样吧，代码后续更新呢
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/178195.html原文链接：https://javaforall.net
