SVM算法理解?

By 陆勤 at 2019-05-16 • 0人收藏 • 91人看过

一 问题定义


在支持向量机中,预测数据点x的决策函数对应于超平面方程:

image.png

决策函数输入到符号函数输出对应的符号,以实现符合与对应标签的映射。


image.png


image.png


二 SVM损失函数


支持向量机的损失函数的一般形式与其他机器学习问题类似。计算结果如下:


image.png

第一项度量由于分类错误而导致的误差,称为hinge-loss。“Hinge”描述的事实是,如果数据点分类正确(并且不太接近决策边界),则误差为0,并且在此之后,误差继续增加。第二项是正则化项,λ是正则化系数。注意,有时您可能会看到将C用于正则化系数,C等于λ的倒数。


参考资料:

https://www.commonlounge.com/discussion/a49bcd907bdc4824ae53483c060f0259






登录后方可回帖

信息栏
数据人网是数据人学习、交流和分享的平台,专注于从数据中学习,努力发觉数据之洞见,积极利用数据之价值
Loading...