深圳建企业网站公司,云主机 asp 网站,快站 淘宝优惠券,wordpress51. 简述 SVM涉及的东西很多#xff0c;如果要理解全面的话#xff0c;要理解经验风险与置信风险#xff0c;VC维理论#xff0c;推导出最优化公式#xff0c;最优化求解的拉格朗日解法#xff0c;核函数#xff0c;等等方面的内容#xff0c;当前对SVM理解太少#xf…1. 简述     SVM涉及的东西很多如果要理解全面的话要理解经验风险与置信风险VC维理论推导出最优化公式最优化求解的拉格朗日解法核函数等等方面的内容当前对SVM理解太少平时主要使用其工具包这里记录一下推导出SVM最优化公式的部分主要参考是维基百科感觉维基百科在这部分的说明比较清楚简单。 2. 推导   · 已知信息    样本数据xi是特征向量yi是标注p是特征向量的维数n是样本数量。        目标是寻找最大间隔超平面一方面保证将所有的样本分开另一方面超平面两侧的没有样本的间隔最大。  · 推导    假设超平面为w·x b 0 一般使用w的转置这里输入不方便使用w代替    超平面一般使用超平面族表示即w·xb1与w·xb-1。    如果样本数据线性可分就可以找到这样的两个超平面使得这两个平面之间没有样本点并且这两个超平面之间的距离是最大的。对于两个平面之间没有样本点相当于yi (w·xib) 1, i1,2,...,n. 两个超平面之间的距离2/|w|最大化这个间隔相当于最小化|w|。    因此寻找能够分开所有样本的间隔最大的两个超平面可以描述为    min  |w|,    s.t. yi (w·xib)1, 其中i1,2,...,n  · 为了求解方便可以进一步化为    min 1/2 |w*w|    s.t. yi (w·xib)1, 其中i1,2,...,n 3. 参考     维基百科_支持向量机        http://en.wikipedia.org/wiki/Support_vector_machine    http://zh.wikipedia.org/wiki/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA