机器学习技法-1-Linear Support Vector Machine
2015-02-16 01:16
507 查看
课程介绍,机器学习整体分为3章
- SVM:Support Vector Machine
- AdaBoost:Adaptive Boosting
- Deep Learning
还没有上过机器学习基石,不管怎样一点一点看一点一点积累
为了让margin最大,需要选择各个exampe到Hyperplane最短的那个距离
distance(x,b,w)=1∥w∥∣∣wTx+b∣∣
距离公式得到,用条件(1)
yn(wTxn+b)>0
用上述条件(1)脱绝对值号,变成
maxb,wsubject to everymargin(b,w)yn(wTxn+b)>0margin(b,w)=minn=1,...,N1∥w∥yn(wTxn+b)
然后又用下面的条件(2),把条件(1)免掉秒杀掉,同时最大的margin由max 1∥w∥ 变成 min12wTw
minn=1,...,Nyn(wTxn+b)=1
距离中存在最小距离为1,那么其他所有距离必然大于0,条件(1)省掉!
然后把条件(2)进一步放松,成为条件(3),其实就是=1改成≥1
minn=1,...,Nyn(wTxn+b)≥1
SVM标准形式:(Solving General SVM)
minb,(w)subject to12wTwyn(wTxn+b)≥1 for all n
最后,boundary example(离边界最近的点) 是支撑向量(候选)
support vector machine (SVM)在支撑向量的帮助下求得“最肥”的超平面
用二次规划(Quadratic Programming)求解SVM
对比公式,可以对应地得到二次规划的参数
Q=[00d0TdId]; p=0d+1; aTn=yn[1xTn]; cn=1
以上参数,将SVM转换成二次规划,然后调用已有的二次规划程序去解决,最后,求出b,w,就得到SVM
VC demension 不懂是啥?
SVM:smaller ‘VC dim’->better generalization
- SVM:Support Vector Machine
- AdaBoost:Adaptive Boosting
- Deep Learning
还没有上过机器学习基石,不管怎样一点一点看一点一点积累
为了让margin最大,需要选择各个exampe到Hyperplane最短的那个距离
distance(x,b,w)=1∥w∥∣∣wTx+b∣∣
距离公式得到,用条件(1)
yn(wTxn+b)>0
用上述条件(1)脱绝对值号,变成
maxb,wsubject to everymargin(b,w)yn(wTxn+b)>0margin(b,w)=minn=1,...,N1∥w∥yn(wTxn+b)
然后又用下面的条件(2),把条件(1)免掉秒杀掉,同时最大的margin由max 1∥w∥ 变成 min12wTw
minn=1,...,Nyn(wTxn+b)=1
距离中存在最小距离为1,那么其他所有距离必然大于0,条件(1)省掉!
然后把条件(2)进一步放松,成为条件(3),其实就是=1改成≥1
minn=1,...,Nyn(wTxn+b)≥1
SVM标准形式:(Solving General SVM)
minb,(w)subject to12wTwyn(wTxn+b)≥1 for all n
最后,boundary example(离边界最近的点) 是支撑向量(候选)
support vector machine (SVM)在支撑向量的帮助下求得“最肥”的超平面
用二次规划(Quadratic Programming)求解SVM
对比公式,可以对应地得到二次规划的参数
Q=[00d0TdId]; p=0d+1; aTn=yn[1xTn]; cn=1
以上参数,将SVM转换成二次规划,然后调用已有的二次规划程序去解决,最后,求出b,w,就得到SVM
VC demension 不懂是啥?
SVM:smaller ‘VC dim’->better generalization
相关文章推荐
- 【Linear Support Vector Machine】林轩田机器学习技法
- 机器学习技法-Linear Support Vector Machine
- 机器学习技法课程学习笔记1 -- Linear Support Vector Machine
- 机器学习技法 笔记一 linear support vector machine
- Coursera 台大 机器学习技法 第一讲 Linear Support Vector Machine
- 机器学习技法:01 Linear Support Vector Machine
- 机器学习技法总结(一):支持向量机(linear support vector machine,dual support vector machine)
- 机器学习技法---(Week1)Linear Support Vector Machine
- 台湾大学林轩田机器学习技法课程学习笔记1 -- Linear Support Vector Machine
- 台湾国立大学机器学习技法.听课笔记(第三讲) :Kernel Support Vector Machine
- 机器学习技法-2-Dual Support Vector Machine
- 机器学习技法-Kernel Support Vector Machine
- 机器学习技法-3-Kernel Support Vector Machine
- 台湾大学林轩田机器学习技法课程学习笔记2 -- Dual Support Vector Machine
- 台湾大学林轩田机器学习技法课程学习笔记3 -- Kernel Support Vector Machine
- 台湾大学林轩田机器学习技法课程学习笔记4 -- Soft-Margin Support Vector Machine
- 机器学习技法-01-4-Support Vector Machine
- Coursera台大机器学习技法课程笔记04-Soft-Margin Support Vector Machine
- 机器学习笔记八 - SVM(Support Vector Machine,支持向量机)的剩余部分。即核技法、软间隔分类器、对SVM求解的序列最小化算法以及SVM的一些应用
- 机器学习技法课程学习笔记2 -- Dual Support Vector Machine