知识卡片
SVM最大间隔与支持向量
支持向量机(SVM)是性能强大且应用广泛的学习算法,可看作感知器的扩展。二者的优化目标不同:感知器只要最小化分类误差(把两类分开即可),SVM 则要最大化分类间隔(margin)。间隔指两个分离超平面(决策边界)之间的距离;离超平面最近的那些训练样本叫支持向量,正是它们决定了间隔和最终边界。理解要点:SVM 不只求”能分开”,还求”分得最宽”,因而泛化更稳;边界只由少数支持向量决定,而非全部样本。第 3 章后续还讲用松弛变量处理非线性可分、用核技巧处理非线性问题。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 3.4 使用支持向量机最大化分类间隔 · 查看原书依据
支持向量机(support vector machine,SVM),它可以看作对感知器的扩展
参考来源
- 位置:《Python机器学习》第3章《3.4 使用支持向量机最大化分类间隔》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0036.xhtml.xhtml)
- 结论依据:原文说明 SVM 是感知器扩展、感知器最小误差而 SVM 最大化间隔、间隔为两超平面距离、最近样本为支持向量。
- 原始内容:支持向量机(support vector machine,SVM),它可以看作对感知器的扩展