机器学习笔记(XIX)支持向量机(I)基本概念
2017-12-29 10:10
357 查看
支持向量机(Support Vector Machine)
其中w=(w1;w2;…;wd)=⎛⎝⎜⎜⎜⎜w1w2⋮wd⎞⎠⎟⎟⎟⎟为法向量决定了超平面的方向,b为位移项,决定了超平面和原点之间的距离。
有了w和b可以唯一确定一个超平面。
r=|wTx+b|||w||
若yi=+1则由wTx+b>0
若yi=−1则由wTx+b<0
令:
{wTxi+b≥+1,yi=+1;wTxi+b≤−1,yi=−1;(A)
使得等式A中等号成立的几个训练样本被称为“支持向量”
两个异类的支持向量到超平面的距离之和γ=2||w||
maxw,b2||w||s.t. yi(wTxi+b)≥1,i=1,2,…,m.
如果最大化||w||−1则等价于最小化||w||2
上式等价于:
minw,b12||w||2s.t. yi(wTxi+b)≥1,i=1,2,…,m.(prototype)
prototype就是支持向量机的基本型。
前提
训练集:D={(x1,y1),(x2,y2),…,(xm,ym)},yi∈{−1,+1}目标
在样本空间中找到一个超平面,将不同类别的样本分开。超平面
定义
wTx+b=0其中w=(w1;w2;…;wd)=⎛⎝⎜⎜⎜⎜w1w2⋮wd⎞⎠⎟⎟⎟⎟为法向量决定了超平面的方向,b为位移项,决定了超平面和原点之间的距离。
有了w和b可以唯一确定一个超平面。
点到平面的距离
空间中任意的点x到平面(x,b)的距离可以表示为:r=|wTx+b|||w||
支持向量和间隔
假设超平面(w,b)可以将训练样本正确分类:即对于(xi,yi)∈D若yi=+1则由wTx+b>0
若yi=−1则由wTx+b<0
令:
{wTxi+b≥+1,yi=+1;wTxi+b≤−1,yi=−1;(A)
使得等式A中等号成立的几个训练样本被称为“支持向量”
两个异类的支持向量到超平面的距离之和γ=2||w||
支持向量机
要使得分类效果最好,则希望间隔γ最大maxw,b2||w||s.t. yi(wTxi+b)≥1,i=1,2,…,m.
如果最大化||w||−1则等价于最小化||w||2
上式等价于:
minw,b12||w||2s.t. yi(wTxi+b)≥1,i=1,2,…,m.(prototype)
prototype就是支持向量机的基本型。
相关文章推荐
- 公开课机器学习笔记(11)支持向量机一 向量机的基本概念
- 机器学习笔记--基本概念
- 【机器学习入门】Andrew NG《Machine Learning》课程笔记之二 :基本概念、代价函数、梯度下降和线性回归
- 机器学习笔记(XIV)神经网络(I)基本概念
- 机器学习----笔记之基本概念(1)
- 机器学习基础学习笔记1-基本概念
- 机器学习笔记-分类和聚类基本概念
- 程序员的机器学习入门笔记(一):基本概念介绍
- 机器学习一些基本概念(笔记)
- 深度学习笔记(0)——机器学习基本概念
- CMurphi入门笔记(二)——基本概念
- 聚类学习笔记 - 聚类的基本概念
- 十张图解释机器学习的基本概念
- oracle基本概念笔记
- Docker笔记(一)Docker基本概念与快速入门
- 第4节--机器学习的基本概念
- JavaScript学习笔记(一) 基本概念
- go学习笔记:1.基本概念
- 机器学习笔记—支持向量机(2)
- 机器学习基本概念