支持向量机学习.pptx

  1. 1、本文档共14页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
支持向量机学习整理

支持向量机 Support Vector Machine ;目录;支持向量机特点分析;SVM概念介绍;数据线性可分情况; ;分离超平面H可以记为: W是权重向量,即 ,n为属性个数,b是标量。假如我们只考虑两个输入属性 ,那么我们可以把超平面方程改写为: (1) 两条边缘“侧面”的超平面可以记为的方程为: (2) (3) 结合式(2)和式(3)得到: (4) 因此我们可以得到最大边缘的计算公式,从分离超平面到 上任意一点的距离是 ,其中 ,最大边缘是 。 想得到最大边缘, 取最小值。 由于满足下式子的超平面为分类超平面 ??5) ; 在条件(5)下,求函数 的最小值,将问题转化为凸二次优化问题 ,约束条件如下: 拉格朗日函数为 其中 为拉格朗日乘子 对未知数w和b分别求导并赋值为0得: ;;广义最优分类面; 因此引入 一个惩罚参数C0,新的目标函数为: s.t 体现了经验风险,而 则体现了表达能力。所以惩罚参数 实质上是对经验风险和表达能力匹配一个裁决。当 时,近似线性可分SVM的原始问题退化为线性可分SVM的原始问题。 ;数据非线性可分情况;;

文档评论(0)

chenchena + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档