當前位置：首頁 >

SVM支持向量机-手写笔记（超详细：拉格朗日乘数法、KKT条件、对偶性质、最优化、合页损失、核函数...）

發布時間：2024/7/19 45 豆豆

生活随笔收集整理的這篇文章主要介紹了 SVM支持向量机-手写笔记（超详细：拉格朗日乘数法、KKT条件、对偶性质、最优化、合页损失、核函数...）小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

SVM支持向量機-手寫筆記

作者：某丁
日期：2021.05.21

寫完了，發現想要真正理解SVM還需要繼續深入學習，以上所寫只不過是冰山一角，我的管中窺豹而已。

[1] 一文搞懂支持向量機(SVM)算法
https://zhuanlan.zhihu.com/p/52168498

[2] 標準化和歸一化，請勿混為一談，透徹理解數據變換
https://blog.csdn.net/weixin_36604953/article/details/102652160

[3] 數據標準化/歸一化normalization
https://blog.csdn.net/pipisorry/article/details/52247379

[4] L1歸一化和L2歸一化范數的詳解和區別
https://blog.csdn.net/u014381600/article/details/54341317

[5] 關于機器學習特征歸一化的理解
https://zhuanlan.zhihu.com/p/94696574

[6] 淺談最優化問題的KKT條件
https://zhuanlan.zhihu.com/p/26514613

[7] 凸優化中的強對偶性和弱對偶性的幾何解釋是怎樣的？

[8] 矩陣求導、幾種重要的矩陣及常用的矩陣求導公式
https://blog.csdn.net/daaikuaichuan/article/details/80620518

[9] svm懲罰因子c的理解
https://blog.csdn.net/ustbbsy/article/details/82390281

[10] 怎么樣理解SVM中的hinge-loss？

[11] 機器學習理論—損失函數（三）：Hinge Loss
https://zhuanlan.zhihu.com/p/347456667

[12] 機器學習中常常提到的正則化到底是什么意思？ - 劉遙行的回答 - 知乎
https://www.zhihu.com/question/20924039/answer/240037674

[13] 支持向量機 (二)：軟間隔 svm 與核函數
https://www.cnblogs.com/massquantity/p/11110397.html

[14] 對核函數(kernel)最通俗易懂的理解
https://blog.csdn.net/qq_39521554/article/details/80605178

END | 喜歡點個贊👍| ??

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。