《统计学习方法》笔记七（1）支持向量机——线性可分支持向量机

weixin_30556161

于 2018-11-14 20:05:00 发布

阅读量158

点赞数 1

CC 4.0 BY-SA版权

文章标签：数据结构与算法

原文链接：http://www.cnblogs.com/wwf828/p/9910696.html

本文深入探讨了支持向量机的学习过程，特别是在特征空间中如何实现线性可分的支持向量机。从函数间隔与几何间隔的概念出发，详细解释了间隔最大化的数学原理，并介绍了如何通过拉格朗日对偶性将复杂问题简化，以及如何引入核函数解决非线性分类问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本系列笔记内容参考来源为李航《统计学习方法》

知识概要

线性可分支持向量机与硬间隔最大化

支持向量机的学习是在特征空间进行的。

定义

函数间隔与几何间隔

间隔最大化

用函数间隔可改写为

最大化1/||ω||和最小化1/2(||ω||)²等价，并取γ=1，得

支持向量和间隔边界

对偶算法

应用拉格朗日对偶性，通过求解对偶问题得到原始问题的最优解，一是因为对偶问题往往更容易求解，二是自然引入核函数，进而推广到非线性分类的问题。

推导过程参考7.1.4节，原始问题的对偶形式如下

转载于:https://www.cnblogs.com/wwf828/p/9910696.html

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。