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·x+b=1与w·x+b=-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·xi+b) > 1, i=1,2,...,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·xi+b)>1, 其中i=1,2,...,n
  · 为了求解方便,可以进一步化为
    min 1/2 |w*w|
    s.t. yi (w·xi+b)>1, 其中i=1,2,...,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

支持向量机-SVM-最优化公式推导记录相关推荐

  1. 机器学习实战 支持向量机SVM 代码解析

    机器学习实战 支持向量机SVM 代码解析 <机器学习实战>用代码实现了算法,理解源代码更有助于我们掌握算法,但是比较适合有一定基础的小伙伴.svm这章代码看起来风轻云淡,实则对于新手来说有 ...

  2. 机器学习算法 08 —— 支持向量机SVM算法(核函数、手写数字识别案例)

    文章目录 系列文章 支持向量机SVM算法 1 SVM算法简介 1.1 引入 1.2 算法定义 2 SVM算法原理 2.1 线性可分支持向量机 2.2 SVM计算过程与算法步骤(有点难,我也没理解透,建 ...

  3. 机器学习:支持向量机SVM的SVC和SVR

    支持向量机SVM SVM的工作原理及分类 支持向量机的原理 线性可分的SVM 非线性可分的支持向量机 支持向量机分类SVC 支持向量机回归SVR SVR原理 SVR模型 时间序列曲线预测 SVM的工作 ...

  4. 算法模型---支持向量机(SVM)

    来源:JerryLead 支持向量机的特点 支持向量机的用途 SVM一般是用来分类的(一般先分为两类,再向多类推广) 支持向量机的适用范围 数据类型 自变量可以数值型和标称型数据 因变量是二分类,通过 ...

  5. 支持向量机(SVM)简介

    支持向量机(support vector machine, SVM):是监督学习中最有影响力的方法之一.类似于逻辑回归,这个模型也是基于线性函数wTx+b的.不同于逻辑回归的是,支持向量机不输出概率, ...

  6. 统计学习方法|支持向量机(SVM)原理剖析及实现

    欢迎直接到我的博客查看最近文章:www.pkudodo.com.更新会比较快,评论回复我也能比较快看见,排版也会更好一点. 原始blog链接: http://www.pkudodo.com/2018/ ...

  7. OpenCV之ml 模块. 机器学习:支持向量机(SVM)介绍 支持向量机对线性不可分数据的处理

    支持向量机(SVM)介绍 目标 本文档尝试解答如下问题: 如何使用OpenCV函数 CvSVM::train 训练一个SVM分类器, 以及用 CvSVM::predict 测试训练结果. 什么是支持向 ...

  8. 使用支持向量机进行光学字符识别_从零推导支持向量机 (SVM)

    雷锋网 AI 科技评论按,本文作者张皓,目前为南京大学计算机系机器学习与数据挖掘所(LAMDA)硕士生,研究方向为计算机视觉和机器学习,特别是视觉识别和深度学习. 个人主页:http://lamda. ...

  9. 机器学习——支持向量机SVM之非线性模型(低维到高维映射)

    目录 一.非线性模型的最优化问题 1.非线性模型最优化模型 2.两个概念 1)正则项(regularization term) 2)调参参数 2.高维映射 1)定义及作用 2)高维映射后的最优化模型 ...

最新文章

  1. 小程序订单点击不同页面_小程序跳转页面参数丢失
  2. WebBrowser 控件 内存溢出 补丁 From Microsoft
  3. css 字体加粗_HTML基础属性与CSS基础
  4. 使用Chameleon,Shrinkwrap,Drone / Graphene与Arquillian进行Java EE集成测试
  5. seata不兼容mysql8的解决方案
  6. python爬虫scrapy连接mongodb_爬虫框架scrapy和数据库MongoDB的结合使用(二)实战
  7. 《人工智能:计算Agent基础》——1.5 复杂性维度
  8. 艺术签名设计软件3.0汉化破解版 软件下载
  9. 最牛逼android上的图表库MpChart(三) 条形图
  10. MATLAB实现智能优化算法
  11. Hi3519A 接入 BT1120或BT656视频
  12. 关于图像处理中的矩阵卷积运算
  13. cpu性能天梯图服务器 4210,手机CPU性能天梯图
  14. 方维众筹网站源码V1.71 PC+WAP+商业版
  15. 如何高效管理自己的电脑?文件再多也不乱!
  16. vue项目 设置scrollTop不起作用(解决方法及原因)
  17. Qt应用程序图标设置任务栏图标设置
  18. Maven:命令大全。
  19. // 和 \\ 都表示什么意思
  20. 5个超实用的小众软件,让你的电脑体验感提升200%

热门文章

  1. 用Docker容器自带的tensorflow serving部署模型对外服务
  2. 12无法使用otg_12个冷知识:或许只能看看而无法使用,但却真实存在着
  3. Java基础——Java反射机制及IoC原理
  4. Python已成美国顶尖高校中最受欢迎的入门编程语言
  5. 新手课堂之汽车灯光操作及位置
  6. 肾有多好人就有多年轻 男女通用的补肾秘方
  7. 排序与查找 详细分析
  8. springboot 系列技术教程目录
  9. 《 第一本Docker书 》读书笔记 --- Docker 各项操作命令及参数说明(docker run 命令各个参数说明)
  10. Java 从入门到高级学习路线