原创

超平面是什么?——理解超平面(SVM开篇之超平面详解)

2017-08-17 10:47:27 denghe1122 阅读数46143 文章标签:超平面 收起

分类专栏: 机器学习/深度学习

版权声明:本文为博主原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接和本声明。

本文链接: https://blog.csdn.net/dengheCSDN/article/details/77313758

研究了半天,终于对“超平面”有了个初步了解。

n 维空间中的超平面由下面的方程确定:

                             

其中,wx都是n维列向量,x为平面上的点,w为平面上的法向量,决定了超平面的方向,b是一个实数,代表超平面到原点的距离。且

    

那么,w 为什么是法向量呢?b 为什么表示平面到原点的距离呢?下面给出详细解释:

我们对“平面”概念的理解,一般是定义在三维空间中的,即

                                 

这个平面由两个性质定义:1、方程是线性的,是由空间点的各分量的线性组合。2、方程数量是1。这个平面是建立在“三维”上的。如果我们撇开“维度”这个限制,那么就有了超平面的定义。实际上,超平面是纯粹的数学概念,不是物理概念,它是平面中的直线、空间中的平面的推广,只有当维度大于3,才称为“超”平面。它的本质是自由度比空间维度小1。自由度的概念可以简单的理解为至少要给定多少个分量的值才能确定一个点.例如,三维空间里的(超)平面只要给定了(x,y,z)中任意两个分量,剩下的一个的值就确定了.先确定值的两个分量是自由的,因为它们想取什么值就能取什么值;剩下的那个是"不自由的",因为它的值已经由另外两确定了.二维空间里的超平面为一条直线.一维空间里超平面为数轴上的一个点。

百度百科上对超平面的数学定义是这样的:超平面H是从n维空间到n-1维空间的一个映射子空间,它有一个n维向量和一个实数定义。因为是子空间,所以超平面一定过原点。

通常,R2(二维空间)中的点集i = (x,y)满足等式(点集i 实际为一条直线):

ax + 1/by + c = 0 (1) (这里使用1/b 是为了后续计算好表示)

其中,a,b,c均为标量,a,1/b至少有一个不为0.我们假设b 不为0。,那么

y = -abx - cb

此时,使用换元法,令t = x,(显然,t 为标量) 则点集i (x,y) 可以表示成

i (x,y) =    ( t, -abt - cb) = t (1, -ab) + (0, -cb)

这条直线是什么?实际上就是过  (0, -cb)点,方向为  (1, -ab)的直线L。

进一步,我们令向量  n = (a,1/b),则(1)可以表示成n * i + c = 0 (2)

神奇的一刻来临了。假设在直线L上取一点p0(x0,y0),显然,n * p0 + c = 0,那么c = - n * p0.

更进一步,将(2)改写,可得  n * i - n * p0 = 0 ,即可  n * (i - p0 ) = 0。

因为n和(i - p0 )均是向量,(i - p0 )在直线L上, 所以,n垂直直线L ,即n为直线L的法向量。更进一步,我们可以得到,那些与p的差向量与n向量正交的点,就是点集i (x,y).

进一步解释什么是超平面:

给定向量空间Rn中的一个点P和一个非零向量n ,满足

n * (i - p)= 0

       则称点集i为通过点p的超平面,向量  n为通过超平面的法向量。按照这个定义,虽然当维度大于3才可以成为“超”平面,但是你仍然可以认为,一条直线是R2空间内的超平面,一个平面是R3空间内的超平面。Rn空间的超平面是Rn空间内的一个n - 1维的仿射子空间。

点到超平面的距离

样本空间中的任意一点x,到超平面(w,b)的距离,可以表示为

         

后来有同学评论说,点到超平面上的点为什么这么计算呢?我在这里再具体说一下。推导过程并不繁琐(这里以三维空间为例)。

对于超平面A ,假设x'为超平面上任意一点,那么,显然满足:

对于空间上任意一点x, 到平面A的距离H,等于x到超平面的法向量长度,也就是向量xx'在垂直方向上(即法向量)上的投影。而计算投影,将xx'乘以法向量w即可。并且,我们不光要投影,还要计算单位,即使用单位为1的投影。也就是在分母除以|| w ||。所以,距离H可以表示为:

又因为:

所以,距离为:

判断超平面的正反

一个超平面可以将它所在的空间分为两半, 它的法向量指向的那一半对应的一面是它的正面, 另一面则是它的反面。如果利用数学来判断的话,需要利用到法向量w。

            

若将距离公式中分子的绝对值去掉, 让它可以为正为负. 那么, 它的值正得越大, 代表点在平面的正向且与平面的距离越远. 反之, 它的值负得越大, 代表点在平面的反向且与平面的距离越远。


http://www.taodudu.cc/news/show-6704211.html

相关文章:

  • 【支持向量机】最大间隔超平面及Matlab代码
  • 第三节- 超平面
  • SVM(四):超平面详细解释
  • 超平面详解
  • SVM理论疏导——什么是超平面
  • 个人实习计划
  • 博士申请 | 香港大学刘希慧老师课题组招收CV方向全奖博士/博后/RA/实习生
  • 博士申请 | 香港中文大学(深圳)林天麟老师招收人工智能全奖博士/RA/实习生...
  • 博士申请 | 美国普渡大学张如琪老师组招收机器学习方向博士/硕士/实习生
  • 巴比特 | 元宇宙每日必读:北京市通州区发布元宇宙发展计划,力争3年内打造成以文旅内容为特色的元宇宙应用示范区...
  • 巴比特 | 元宇宙每日必读:2026年,互联网上90%的内容或由AI创建,科技大公司如何阻止虚假信息?...
  • 巴比特 | 元宇宙每日必读:央视网旗下平台2款藏品卖出51万元,支持30天后转赠,投资者称期待看到赋能...
  • 巴比特 | 元宇宙每日必读:浙江发布2023年元宇宙产业发展工作要点,6月底前组建元宇宙产业联盟,年底打造20家“专精特新”企业...
  • 巴比特 | 元宇宙每日必读:5年内元宇宙相关产业规模突破800亿元!合肥高新区发布元宇宙产业发展规划...
  • 巴比特巴比特 | 元宇宙每日必读:武汉发布促进元宇宙产业创新发展实施方案,武汉的元宇宙要这么干!...
  • 巴比特 | 元宇宙每日必读:国产大模型“诸神之战”开启,谁能突围成为下一个OpenAI?...
  • 比特元的智能合约
  • 巴比特 | 元宇宙每日必读:多家上市公司宣布将ChatGPT与虚拟数字人融合,是蹭概念,还是真未来?...
  • 巴比特 | 元宇宙每日必读:从自研硬件领域撤退后,腾讯被传或将在国内独家代理Meta旗下VR产品Quest...
  • 码元与比特的简单理解 码元简单理解
  • 巴比特 | 元宇宙每日必读:AR/VR的本质是三维信息技术革命,元宇宙是三维信息技术革命的愿景之一...
  • 比特元BTY入驻区分平台
  • 比特元BTY简介:老牌加密数字货币,3.0主网成功,新篇章开启!
  • stm32蜂鸣器实验
  • 用计算机内置蜂鸣器音乐,WINCC如何用计算机的蜂鸣器作声音报警?-工业支持中心-西门子中国...
  • css登陆页面
  • 带有验证码的登陆页面
  • Android登陆页面
  • 微信for
  • 易信PK微信

SVM 超平面的理解相关推荐

  1. 学习July博文总结——支持向量机(SVM)的深入理解(上)

    前言 本文是参照CSDN的July大神的热门博文<支持向量机通俗导论(理解SVM的三层境界>)写的.目的是因为July大神文中说,SVM理论的理解,需要一遍一遍的推导公式,直到脑中梳理下来 ...

  2. svm通俗易懂的理解

    (一)SVM的八股简介 支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本.非线性及高维模式识别中表现出许多特有的优势,并能够 ...

  3. svm的一些理解(网上收集)

    机器学习(Machine Learning, ML)的目的是根据给定的训练样本求对某系统输入输出之间依赖关系的估计,使它(这种关系)能够对未知输出做出尽可能准确地预测.机器学习至今没有一个精确的公认的 ...

  4. svm公式推导及理解

    支持向量机通俗导论(理解SVM的三层境界) 作者:July .致谢:pluskid.白石.JerryLead. 说明:本文最初写于2012年6月,而后不断反反复复修改&优化,修改次数达上百次, ...

  5. 对SVM的个人理解---浅显易懂

    原文:http://blog.csdn.net/arthur503/article/details/19966891 之前以为SVM很强大很神秘,自己了解了之后发现原理并不难,不过,"大师的 ...

  6. 菜鸟之路——机器学习之SVM分类器学习理解以及Python实现

    SVM分类器里面的东西好多呀,碾压前两个.怪不得称之为深度学习出现之前表现最好的算法. 今天学到的也应该只是冰山一角,懂了SVM的一些原理.还得继续深入学习理解呢. 一些关键词: 超平面(hyper ...

  7. 机器学习:支持向量机SVM原理与理解

    引言 --"举牌子:Support Vector Machines " 一直在犹豫要不要写SVM,因为网上已经有很多详细的SVM原理的解释甚至详细推导,而这东西又庞大复杂,想了解的 ...

  8. 对于超平面的理解[转载]

    转自:https://blog.csdn.net/dengheCSDN/article/details/77313758 1.引言 n 维空间中的超平面由下面的方程确定: 其中,w 和 x 都是 n ...

  9. 支持向量机(SVM)入门理解与推导

    一.简介 支持向量机(support vector machines)是一种二分类模型,它的目的是寻找一个超平面来对样本进行分割,分割的原则是间隔最大化,最终转化为一个凸二次规划问题来求解.由简至繁的 ...

最新文章

  1. 2008R2Win7管理二十八Mail之基本使用
  2. myeclipse6.0下载及注冊码
  3. 3D图形学的线性代数的通俗解释。
  4. 免费的python课程-自学Python的10门免费课程,已学完
  5. 2019ICPC(南昌) - Hello 2019(动态规划+线段树维护矩阵)
  6. 关于C#程序调用AMFPHP服务的问题!!
  7. React组件的state和props
  8. 高等组合学笔记(十四):Lagrange反演公式
  9. java 蓝桥杯算法提高 9-2 文本加密
  10. onvif学习笔记9:OSD命令学习
  11. java分割两个时间段不在同月份
  12. VB.NET LDAP 用户身份验证
  13. iphone分辨率_QHD 分辨率有必要吗?三个理由告诉你:手机屏幕 FHD 就很好
  14. VC通过函数名调用DLL的标准范例
  15. 爬虫笔记——urllib实战之淘宝零食板块爬取
  16. 写给30岁的自己,以及所有即将、正在、已经奔三的朋友们
  17. 工业机器人的自由度是什么?
  18. hander机制原理
  19. LeetCode908.最小差值
  20. 官方文档-丰富你的数据

热门文章

  1. 怎么把图片做成流动效果?推荐几个制作方法
  2. 2021年塔式起重机司机免费试题及塔式起重机司机模拟试题
  3. 大白话认识 Kafka 背后优秀的架构设计
  4. leelaz工程编译
  5. 小米手机2发布会直播贴(持续更新中)
  6. QQ技巧,QQ勋章,刷勋章,刷财源滚滚,
  7. 将图片导入并转变灰度级,选定感性区域进行提取灰度值
  8. tf2.X中将模型保存为savedmodel
  9. linux read_cpuid
  10. Deblurring via Stochastic Refinement (Paper reading)