支持向量机——Large Margin Classifier
支持向量机的目标是
\[\underbrace {\min }_\theta \left\{ {C\left[ {\sum\limits_{i = 1}^m {{y^{\left( i \right)}}{\mathop{\rm Cos}\nolimits} {t_1}\left( {{\theta ^T}{x^{\left( i \right)}}} \right) + \left( {1 - {y^{\left( i \right)}}} \right){\mathop{\rm Cos}\nolimits} {t_0}\left( {{\theta ^T}{x^{\left( i \right)}}} \right)} } \right] + \frac{1}{2}\sum\limits_{j = 1}^n {\theta _j^2} } \right\}\]
下图分别是Cost1(z)和Cost0(z)的示意图
如果y=1,我们想要θTx≥1(而不仅仅是θTx≥0)
如果y=0,我们想要θTx≤-1(而不仅仅是θTx<0)
接下来考虑一种情况,当把式子中的C设置的非常大时
\[\underbrace {\min }_\theta \left\{ {C\left[ {\sum\limits_{i = 1}^m {{y^{\left( i \right)}}{\mathop{\rm Cos}\nolimits} {t_1}\left( {{\theta ^T}{x^{\left( i \right)}}} \right) + \left( {1 - {y^{\left( i \right)}}} \right){\mathop{\rm Cos}\nolimits} {t_0}\left( {{\theta ^T}{x^{\left( i \right)}}} \right)} } \right] + \frac{1}{2}\sum\limits_{j = 1}^n {\theta _j^2} } \right\}\]
支持向量机为达到最小化的目的会试图将式子的第一部分(除了C)变得很小。
当y(i)=1时,得到的θ会使得θTx≥1
当y(i)=0时,得到的θ会使得θTx<-1
这样就会得到一个“比较有意思”的“decision boundary”。对于如下分类问题
算法可以得到“蓝线”和“橙线”的分界线,也可以得到“黑色”分界线,支持向量机会得到黑色的线。
如果两条黑色虚线代表不同类的边界的话,支持向量机会得到距离两条虚线尽量远的一条直线。
需要注意的点
对于下面的分类问题,正常情况下应该得到蓝色的直线。
但是,当C非常大时,支持向量机会得到黄色的直线,因为它会得到距离两个类尽量远的直线。
如果取得C适当,支持向量机仍然会得到蓝色的先,即使出现非线性可分的情况(右侧红五角星)。
转载于:https://www.cnblogs.com/qkloveslife/p/9897986.html
支持向量机——Large Margin Classifier相关推荐
- 支持向量机: Maximum Margin Classifier
by pluskid, on 2010-09-08, in Machine Learning http://blog.pluskid.org/?p=632 本文是"支持向量机系列" ...
- 支持向量机_1: Maximum Margin Classifier
支持向量机即 Support Vector Machine,简称 SVM .我最开始听说这头机器的名号的时候,一种神秘感就油然而生,似乎把 Support 这么一个具体的动作和 Vector 这么一个 ...
- CosFace:Large Margin Cosine Loss
<CosFace: Large Margin Cosine Loss for Deep Face Recognition> 2018,Hao Wang et al. Tencent AI ...
- 人脸识别-Loss-2018:Large Margin Cosine Loss(CosFace)【SphereFace只对W归一化,CosFace对W、X都归一化】【在余弦空间中最大化分类界限】
<原始论文:CosFace: Large Margin Cosine Loss for Deep Face Recognition> <原始论文:Additive Margin So ...
- 人脸识别-Loss-2016:Large Margin Softmax Loss【Margin:角度分类边界之间的空白角度区域】【增大Margin来提高分类精度】【缺陷:无法处理W_i≠W_j的情况】
尽管传统的softmax在卷积网络作为最常用的监督学习组件,但是他不能促进判别性强的特征的学习,在这篇论文里面首先提出一种基于Margin的L-Softmax损失函数,可以明确地促使学习到的特征具有类 ...
- Large Margin Partial Label Machine
大幅面局部贴标机 摘要-部分标签学习(PLL)是一个多类弱监督学习问题,其中每个训练实例与一组候选标签关联,但只有一个标签是基本真理.PLL的主要挑战是如何处理标签歧义.在各种消歧技术中,基于大幅度( ...
- [吴恩达机器学习笔记]12支持向量机2 SVM的正则化参数和决策间距
12.支持向量机 觉得有用的话,欢迎一起讨论相互学习~Follow Me 参考资料 斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 12.2 大间距的直观理解- Large Margin I ...
- 吴恩达|机器学习作业6.0支持向量机(SVM)
6.0.支持向量机 1)题目: 在本练习中,您将使用支持向量机来建立一个垃圾邮件分类器. 在本练习的前半部分,您将使用支持向量机(SVM)处理各种两维的样本数据集.使用这些数据集进行实验将帮助您直观地 ...
- Stanford机器学习---第八讲. 支持向量机SVM
本栏目(Machine learning)包括单参数的线性回归.多参数的线性回归.Octave Tutorial.Logistic Regression.Regularization.神经网络.机器学 ...
最新文章
- 微软职位内部推荐-Software Development Engineer II
- POJ-1274 The Perfect Stall---二分图模板
- 乐观锁和悲观锁,可重入锁和不可重入锁(1)
- TP5 自带分页类的传参
- leetcode 677. Map Sum Pairs | 677. 键值映射(Trie前缀树,BFS)
- android 高并发弹幕,高并发实时直播弹幕研发实践
- Android之收音机UI实现(转)
- pypy mysql 兼容_PyPy运行Django+MySQL简单教程
- 所有子模块都要执行的checkstyle检查
- 关于WORD VBA学习使用心得
- java英文姓名随机生成_java随机生成中国人姓名
- 单片机74LS138应用
- 服务器amd cpu性能排行,2018年PC处理器性能排行:英特尔9代酷睿被AMD反超!
- Python之3~20的乘积
- Invalid project description
- 互联网赚钱:普通人月入上万的秘密,连载4
- 使用draw.io绘制ER图
- ThinkPHP框架漏洞总结
- openwrt编译固件流程
- 【java毕业设计】基于javaEE+SSH+MySql+MVC的动漫论坛设计与实现(毕业论文+程序源码)——动漫论坛
热门文章
- linux下用c语言写黄金矿工,C语言写的黄金矿工O(∩_∩)O---初稿,能玩了
- android跌倒检测,Android跌倒检测
- MySQL 基础 ———— 存储过程与函数
- 哲学家就餐问题python_哲学家就餐-同步问题解析-python
- 命名空间中不存在名称_原木定制中不开裂的木材真的存在吗?
- floodlight ovs 更改拓扑_淘宝更改类目降权多久?被降权了怎么办?_推广运营(淘宝天猫)...
- java中什么是 伪共享_【Java】聊聊多线程中的伪共享现象
- 深度优先搜索重要模板
- c语言设计指导实训,C语言程序设计实训指导
- 基础练习 Sine之舞 (递推)