4.1支持向量机基本原理和线性支持向量机_第1页
4.1支持向量机基本原理和线性支持向量机_第2页
4.1支持向量机基本原理和线性支持向量机_第3页
4.1支持向量机基本原理和线性支持向量机_第4页
4.1支持向量机基本原理和线性支持向量机_第5页
已阅读5页，还剩6页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

支持向量机主讲人：李侃基于统计学习理论的方法

定义最优超平面，并把寻找最优超平面归结为求解一个凸规划问题支持向量机（supportvectormachine，SVM）基本原理支持向量机能较好地解决小样本、非线性和高维数据、局部极小点等实际问题。H为线性超平面，H1、H2分别为过各类中离超平面最近的样本且平行于超平面

分类间隔（margin）：

|

H1H2

|。最优超平面

：将两类数据正确分开，并且使分类间隔最大。二分类支持向量机（supportvectormachine，SVM）基本原理

能将两类样本正确分开的超平面有无数多个。如何求得

最优超平面

？支持向量机（supportvectormachine，SVM）超平面

线性超平面非线性超平面线性可分情况线性不可分情况线性不可分情况线性最优超平面

线性支持向量机非线性最优超平面非线性支持向量机

支持向量机数据线性可分数据线性不可分核方法基于Mercer

核展开定理，通过用内积函数定义的非线性变换将输入空间映射到高维特征空间（Hilbert空间），在这个高维特征空间中寻找输入变量和输出变量之间的关系。

升维线性化线性可分情况设线性可分的训练样本线性支持向量机

分类超平面：

两类样本：

超平面H1到原点的距离：

超平面H2到原点的距离：分类间隔｜

H1H2｜=

约束的二次规划问题：

构造拉格朗日函数求解H1、H2上的训练样本点称作支持向量（supportvector，SV）线性支持向量机构造Lagrange函数：线性支持向量机满足约束：其中，D是阶对称矩阵，。为原问题中，与每个约束条件式对应的Lagrange乘子

最优分类函数：利用Lagrange优化方法，将其转化为对偶问题，即最大化线性不可分情况引入非负松弛变量约束方程：线性支持向量机

约束的二次规划问题：

构造拉格朗日函数求解

利用Lagrange优化方法，将转化为对偶问题，即最大化线性

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论