支持向量机分类原理概述
支持向量机(SVMs)是一组相关的监督学习方法,用于分析数据和识别模式,用于分类和回归分析。
最初的SVM算法是由弗拉基米尔。弗尼克发明的,目前的标准化身(软利润)是由科琳娜科尔特斯和弗拉迪米尔。瓦尼克提出的。
支持向量机在高或无限维度空间中构造超平面或超平面,可用于分类、回归或其他任务。
超平面与任何类最近的训练数据点之间的距离最大,因此,这是一个很好的分离,因为一般来说,越大的边界越低,分类器的泛化误差就越低。
我们想要找到最大的边缘超平面,它把有yi=1的点和yi=-1分开。任何超平面都可以写成满足点的集合。
我们想要选择w和b来最大化边缘,或者在平行的超平面之间的距离,在分离数据的同时,尽可能地分开。