支持向量机学习笔记
2016-06-28 21:54
141 查看
支持向量机
支持向量机的目的是为了找到分类间隔最大的分割超平面。
分割超平面即距离所有样本最小距离的值最大的超平面。
一般是通过最大化几何间隔实现。
几何间隔:其中,为
由于通过按照一定的比例缩放,我们总可以另为1,从而最大化几何间隔就等价于
求解的最大值。
将其转化为求最小值的问题,可得目标函数:
s.t
其lagrange函数为
原始问题是一个极小极大问题,即先求再求和b,其对偶问题为一个极大极小问题。而且Lagrange函数是一个凸函数,即存在极小值,通过对该函数求导,可以得到对应的极小值点的解。
从而求解该函数的步骤如下:
(1)求解
(2)将上述式子带入原始问题,原始问题转化为
约化后
s.t.
(3)原始问题转变为求解,取反
s.t.
(4)从而可以得到和b的值,即得到最大超平面,从而分类结果为
考虑到噪声的存在,提高目标函数的泛化能力,提出了软间隔最大化。
引进一个松弛变量ξ,使得函数间隔加上松弛变量之后可以大于等于1,目标函数转变为
s.t
从而实现在间隔最大的同时保证错误点最少。松弛变量可以认为是一定的错误。
即假设在不小于0的前提下小于一定的常数C,该常数可以调整margin的宽度,当C足够大时,所学习到的分类超平面可以被等价为一个线性分类器。
支持向量机的目的是为了找到分类间隔最大的分割超平面。
分割超平面即距离所有样本最小距离的值最大的超平面。
一般是通过最大化几何间隔实现。
几何间隔:其中,为
由于通过按照一定的比例缩放,我们总可以另为1,从而最大化几何间隔就等价于
求解的最大值。
将其转化为求最小值的问题,可得目标函数:
s.t
其lagrange函数为
原始问题是一个极小极大问题,即先求再求和b,其对偶问题为一个极大极小问题。而且Lagrange函数是一个凸函数,即存在极小值,通过对该函数求导,可以得到对应的极小值点的解。
从而求解该函数的步骤如下:
(1)求解
(2)将上述式子带入原始问题,原始问题转化为
约化后
s.t.
(3)原始问题转变为求解,取反
s.t.
(4)从而可以得到和b的值,即得到最大超平面,从而分类结果为
考虑到噪声的存在,提高目标函数的泛化能力,提出了软间隔最大化。
引进一个松弛变量ξ,使得函数间隔加上松弛变量之后可以大于等于1,目标函数转变为
s.t
从而实现在间隔最大的同时保证错误点最少。松弛变量可以认为是一定的错误。
即假设在不小于0的前提下小于一定的常数C,该常数可以调整margin的宽度,当C足够大时,所学习到的分类超平面可以被等价为一个线性分类器。
相关文章推荐
- vc dll编程
- Android学习路线图
- Maven无法上传到到私服
- 剑指offer系列-从尾到头打印链表
- Python 遍历目录
- Const用法小结
- capistrano3.5环境搭建
- 不能升级 oh-my-zsh
- 【HiveETL】互联网行业 -- APP统计分析、业绩分析
- 正则表达式
- 禁止表单回车事件
- PHP中提问频率最高的11个面试题和答案
- Ring3下Hook NtQueryDirectoryFile隐藏文件
- JavaSE 基础 第06节 八大数据类型
- VC环境下检查内存泄漏memory leak的方法
- Spark 定制版:018~Spark Streaming中空RDD处理及流处理程序优雅的停止
- 如果是初学C语言请看完 一些成功人士的心得
- 单例(C#版)
- Vc调试入门
- 文件监控(教学版)