02_SVM之线性可分时损失函数的表示

L先生AI课堂

博客专家认证

2023-01-13 01:47:20

课时名称	课时知识点
02_SVM之线性可分时损失函数的表示	讲解线性可分时损失函数的介绍

...全文

328 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

libsvm 数据集包括 matlab数据集和 VC数据集

我的博客上有详细解说这个算法的实现，用java代码实现，以及每个公式的解说。网址：http://blog.csdn.net/techq/archive/2011/02/01/6171688.aspx

SVM即支持向量机（support vector machine），是一种分类算法。SVM 适合中小型数据样本、非线性、高维的分类问题。它将实例的特征向量映射为空间中的一些点。如：而SVM要做的事情就是找到那么一条线， “最好地” 区分这两类点，以后有了新的点，这条线也能做出很好的分类。划分的线是可以有无数条的。那么哪一条线是最好的呢。SVM 将会寻找可以区分两个类别并且能使间隔（margin or gap）最大的划分超平面。比较好的划分超平面，样本局部扰动时对它的影响最小、产生的分类结果最

SVM算法|非线性可分数据|分类问题|核函数

本文主要包含以下内容：1.从线性不可分谈起 2.将低维特征映射到高维空间 3.核函数的有效性 4.常用核函数1.从线性不可分谈起我们之前谈到的情况都是线性可分的，也就是说总能找到一个超平面将数据集分开。但现实总是那么不完美，大多情况都是线性不可分的。如下图所示：我们应该怎么才能将其分开呢？有人说用曲线能将其分开；对，曲线确实能将数据集分开，但如果用曲线，那还能叫支持向量机么。那到底又该怎么弄

李虎的课程社区_NO_1

2

社区成员

152

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章