深度学习-机器学习(5.1支持向量机)
1.支持向量机(Support Vector Machine)(英文简写SVM)属于监督学习(Supervised Learning):分类(Classifcation)
2.机器学习的一般框架:
训练集->提取特征向量->结合一定的算法(分类器:比如决策树,KNN)->得到结果
3.介绍:
3.1例子
在这个例子中加入提取了一些实例的向量,可以别映射出上图的这些点,如图有两类的实例,假如数据是N维的,则h3为一个超平面(hyper plane),那么如何画这个超平面使能很好的分开着两类 不同的点呢?
其实可以画无数条线,哪条线最好的区分这些点呢?例如:H1,H2,H3等线,大家大部分会选红线。这就引入了SVM基本的创造的动机,就是要找一个超平面。
3.2SVM寻找区分两类的超平面(hyper plane),是边际最大。
再例如:
就可以画出如图的超平面即图中的实线,而实线到两边虚线的距离之和为边际(margin)
选取margin最大的超平面。
如何选取是边际(margin)最大的超平面(Max Margin Hyperplane)?
超平面到一侧最近的距离等于到另一侧最近点的距离,两侧的两个超平面平行。
3.线性可区分(linear separable) 和 线性不可区分(linear inseparable)
(1)线性不可区分:无法通过超平面无法完全分开
(2)线性可区分
4.定义与公式建立
超平面可以定义为:
W:向量,类似于权重的一个向量 X:训练实例 b:bias 偏向
4.1假设2维特征向量:X=(x1,x2)
把b想象为额外的wight
超平面方程为:
所有超平面右上方的点满足:
所有超平面左下方的点满足:
调整weight,使超平面定义边际的两边:
即+1表示一类,-1表示一类
综合以上两式,得到:
所有坐落在边际的两边的超平面上的被称为“支持向量(support vectors)”
分界的超平面和H1或H2上任意一点的距离为:
其中是向量的范数(norm)
所以最大的边际距离为:
下一节继续支持向量机
深度学习-机器学习(5.1支持向量机)相关推荐
- 深度学习-机器学习(5.2支持向量机SVM上的Python应用)
1.简单的应用,(用前两节的例子) 直接上代码: from sklearn import svm x = [[2,0],[1,1],[2,3]]#定义三个点 y = [0,0,1] #(class l ...
- 深度学习-机器学习(5.2支持向量机SVM)
1.SVM如何找出最大边际的超平面呢(MMH)? 利用一些数学推到,以上一节的公式可变为有限的凸优化问题(convex quadratic optimization) 利用Karush-Kuhn-Tu ...
- 信号处理深度学习机器学习_机器学习和信号处理如何融合?
信号处理深度学习机器学习 As a design engineer, I am increasingly exposed to more complex engineering challenges ...
- 信号处理深度学习机器学习_机器学习与信号处理
信号处理深度学习机器学习 机器学习性能与两种关键信号处理算法(快速傅里叶变换和最小均方预测)的有趣对比. (A fun comparison of machine learning performan ...
- 深度学习 机器学习基础_实用的机器学习基础
深度学习 机器学习基础 This article describes my attempt at the Titanic Machine Learning competition on Kaggle. ...
- 计算机视觉面试宝典--深度学习机器学习基础篇(四)
计算机视觉面试宝典–深度学习机器学习基础篇(四) 本篇主要包含SVM支持向量机.K-Means均值以及机器学习相关常考内容等相关面试经验. SVM-支持向量机 支持向量机(support vector ...
- 转载-深度学习与NLP 深度学习|机器学习|人工智能 精品视频教程合集分享
原文地址 写 在 前 面 深度学习与NLP是一个专注分享深度学习技术.NLP领域技术.资讯的专业平台,到目前为止,我们已经分享了20期有关深度学习.NLP.机器翻译等视频教程或视频资源.为了方便大家选 ...
- 深度学习机器学习面试问题准备(必会)
深度学习机器学习面试问题准备(必会) 第一部分:深度学习 1.神经网络基础问题 (1)Backpropagation(要能推倒) 后向传播是在求解损失函数L对参数w求导时候用到的方法,目的是通过链式 ...
- [面试笔试整理1]:深度学习机器学习面试问题准备(必会)
此系列三篇文章的原文链接 面试笔试整理1:深度学习机器学习面试问题准备(必会) 1.神经网络基础问题 (1)Backpropagation(要能推倒) 后向传播是在求解损失函数L对参数w求导时候用到的 ...
- 深度学习与NLP 深度学习|机器学习|人工智能 精品视频教程合集分享
写 在 前 面 深度学习与NLP是一个专注分享深度学习技术.NLP领域技术.资讯的专业平台,到目前为止,我们已经分享了20期有关深度学习.NLP.机器翻译等视频教程或视频资源.为了方便大家选择合适自己 ...
最新文章
- python实验指导书2018_python实验指导书
- STM32 容易烧成电源短路解决方法
- es6 --- 使用node的memoryUsage检测WeakMap()
- linux查看缓存的文件,linux – 如何查看缓冲和缓存的数据
- 帮助类之自动解析表达式判定结果方法类
- 从副总裁做”表哥“说起
- 一款 redis客户端工具RedisDesktopManager的安装和使用
- Android签名与风险分析
- 使用pyinstaller打包python源代码生成exe程序
- dell笔记本驱动安装失败_W10系统声卡驱动程序安装失败的原因及解决方法
- 2022年CCNA面试题库和答案
- WP短代码实现“chat”文章聊天形式 文章也能活跃起来
- 百度人脸识别 人脸识别模型_人脸识别的现代君主制
- 前端开发工具WebStorm下载
- 4.9-4.10 矩阵乘法的性质 矩阵的幂运算 矩阵的转置及其性质
- Pandas+Pyecharts | 某APP大学生用户数据分析可视化
- Linpack测试环境的搭建
- 如何激活word2010
- 少儿编程app排名_学生学习软件——10款学生党必备的APP
- Mansory makeConstraints 、remakeConstraints 、updateConstraints 注意事项
热门文章
- 数据分析入门(第一课)
- C++——《算法分析与设计》实验报告——二分搜索算法
- Spring Security——login显示[Bad credentials]
- Windows——右键菜单显示“管理员取得所有权”选项
- Candy Box (easy version)
- XCTF WEB view_source
- linux命令 su和sudo,解析Linux中sudo,su与su -的异同
- Cobar分布式关系型数据库中间件的简单应用
- 软件工程概论 课堂练习【用例图——客户提出申请要求贷款...】
- Java13-day04【Integer、int和String的相转、自动装箱和拆箱、Date、SimpleDateFormat、Calendar、异常、try...catch、throws】