SVM-支持向量機原理詳解與實踐之二

 

SVM原理分析

以下內容接上篇。

拉格朗日對偶性（Largrange duality）深入分析

前面提到了支持向量機的凸優化問題中拉格朗日對偶性的重要性。

因為通過應用拉格朗日對偶性我們可以尋找到最優超平面的二次最優化，

所以以下可以將尋找最優超平面二次最優化（原問題），總結為以下幾個步驟：

在原始權重空間的帶約束的優化問題。（注意帶約束）

對優化問題建立拉格朗日函數

推導出機器的最優化條件

最后就是在對偶空間解決帶拉格朗日乘子的優化問題。

注：以上這個四個步驟是對優化問題的的概括，后面會注意講解這幾個步驟。

于是首先想到的幾個隨之而來的幾個問題：

• 第一個問題是拉格朗日對偶性是什么？
• 第二問題是為什么拉格朗日對偶性可以幫助我們找到最優超平面的二次最優化？

• 第三個問題是如何運用拉格朗日對偶性找到最優超平面的二次最優化？

  下面的內容將對以上三個問題進行深入的分析。

  首先對于第一個問題，我們首先必須清楚兩個概念即原問題和對偶問題,以及他們之間的關系.

原問題

假設

總結

以上是生活随笔為你收集整理的SVM-支持向量机原理详解与实践之三的全部內容，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。