目錄

1）Optimization objective

2）Large Margin Intuition

3）Kernels 1

4）Kernels II

5）Using an SVM

---

注：這一章SVM可能有點(diǎn)難理解，強(qiáng)烈建議大家把本章的編程作業(yè)做了。

1）Optimization objective

我們換一個(gè)角度來(lái)看看我們之前學(xué)過(guò)的邏輯回歸：

我們得到了支持向量機(jī)的代價(jià)函數(shù)：

?

2）Large Margin Intuition

下圖是我們的支持向量機(jī)模型：代價(jià)函數(shù)定義略有不同：

現(xiàn)在我們來(lái)看看我們的決策邊界：

我們來(lái)看一個(gè)線性決策邊界：這有四條邊界，其中黑色邊界是最好的，最大間隔分類。

3）Kernels 1

我們來(lái)看一個(gè)非線性決策邊界：

我們可以通過(guò)地標(biāo)來(lái)構(gòu)造新特征：

?

來(lái)看一個(gè)例子：

下圖顯示了我們使用地標(biāo)位置確定的決策邊界。

4）Kernels II

實(shí)際使用中我們?nèi)绾芜x擇地標(biāo)呢？

于是我們得到SVM核函數(shù)：

?

我們得到新的代價(jià)函數(shù)：

?

?

下圖顯示了SVM參數(shù)的影響：

5）Using an SVM

使用SVM我們需要選擇合適參數(shù)和核函數(shù)：

下圖顯示了使用邏輯函數(shù)和SVM的準(zhǔn)則：

總結(jié)

以上是生活随笔為你收集整理的机器学习笔记（十一）：支持向量机的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。