目錄

1）Optimization objective

2）Large Margin Intuition

3）Kernels 1

4）Kernels II

5）Using an SVM

---

注：這一章SVM可能有點難理解，強烈建議大家把本章的編程作業做了。

1）Optimization objective

我們換一個角度來看看我們之前學過的邏輯回歸：

我們得到了支持向量機的代價函數：

?

2）Large Margin Intuition

下圖是我們的支持向量機模型：代價函數定義略有不同：

現在我們來看看我們的決策邊界：

我們來看一個線性決策邊界：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

我們來看一個非線性決策邊界：

我們可以通過地標來構造新特征：

?

來看一個例子：

下圖顯示了我們使用地標位置確定的決策邊界。

4）Kernels II

實際使用中我們如何選擇地標呢？

于是我們得到SVM核函數：

?

我們得到新的代價函數：

?

?

下圖顯示了SVM參數的影響：

5）Using an SVM

使用SVM我們需要選擇合適參數和核函數：

下圖顯示了使用邏輯函數和SVM的準則：

總結

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

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。