知识卡片
SVM的定义与核心思想
支持向量机(SVM)由科琳娜与万普尼克等于1995年提出,是一种适用于二分类的机器学习算法。其核心思想是:对给定数据集,在样本空间中找到一条划分直线,把两个类别分开,且这条直线距离最接近的训练数据点最远,也就是追求最大间隔。用途上是文本分类、图像识别等二分类任务的经典方法。边界是它本质上面向二分类,多分类需额外组合;原始形式还假设数据线性可分。反例是逻辑回归只要能把两类分开即可,并不刻意追求间隔最大,因此在小样本场景下SVM往往泛化更稳。可迁移的启发是:给模型设定一个明确而强的优化目标(间隔最大),比仅仅满足“能分开”的弱目标更能提升对新数据的表现。
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
- 求解支持向量机 8.1.2 支持向量来帮忙 · 查看原书依据
它的核心思想是对于给定的数据集,在样本空间中找到一条划分直线,从而将两个不同类别的样本分开,并且这条直线距离最接近的训练数据点最远。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第8章《求解支持向量机》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00013.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文给出SVM的提出者与年份,并明确其核心思想是在样本空间找划分直线且离最近训练数据点最远,直接支撑了“最大间隔二分类算法”的定义。
- 原始内容:它的核心思想是对于给定的数据集,在样本空间中找到一条划分直线,从而将两个不同类别的样本分开,并且这条直线距离最接近的训练数据点最远。