知识卡片
线性可分与线性不可分
训练集写成 {(x_i, y_i)},i=1,…,n,其中 x_i 是 p 维特征向量,y_i∈{−1,+1} 是类别标号。若存在一条直线(二维情形)或一个超平面,把正类与负类完全分到两侧,就称这批数据线性可分;否则称线性不可分。可分与否并非数据的固定属性,而与所选特征有关:同一批点换一组特征(例如做平方变换)就可能从不可分变为可分,这正是 [[核技巧绕开显式映射]] 的出发点。现实数据大多存在重叠,硬性要求完全分开会使边界过度迁就个别点,因此还需要 [[松弛变量允许样本越界]] 的软间隔版本。
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
- 第7章 支持向量机 · 查看原书依据
如果两类点可以用一条直线或一个超平面分开,则称这些点是线性可分(linearly separable)模式;如果这两类点不能用一条直线或者一个超平面分开,那么这些点是线性不可分模式。
参考来源
- 位置:《大数据挖掘与统计机器学习》第7章 支持向量机(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter9_0001.xhtml,7.1 线性可分支持向量机)
- 结论依据:原文先给出线性可分与线性不可分的定义,并说明 SVM 由二分类问题引出,先讨论线性可分情形。
- 原始内容:如果两类点可以用一条直线或一个超平面分开,则称这些点是线性可分(linearly separable)模式;如果这两类点不能用一条直线或者一个超平面分开,那么这些点是线性不可分模式。