← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 9845.j · 生成模型:Hunyuan

松弛变量与软间隔

理解等级:高级

离群点是偏离正常位置很远的噪声点,并非数据本身的非线性结构。若坚持硬间隔要求所有点满足 y(w^T x+b)≥1,一个离群点就可能让间隔小于零、甚至无法构造超平面,或严重扭曲分类面斜率。软间隔的做法是允许一些点落进两边界之间:把约束放宽为 yi(w^T xi+b)≥1−ξi,其中 ξi≥0 是松弛变量,度量第 i 个点允许偏离函数间隔的量;同时在目标函数里加惩罚项 CΣξi,让偏离总量也最小。惩罚因子 C 由外部设定、需调优:C 越大偏离代价越高,C 趋于无穷时退化为硬间隔。推导后对偶问题多出上界约束 λi≤C。引入 C 还顺带缓解数据偏斜:给样本少的一类更大的惩罚因子,就能避免多样本一侧把分类面推向少样本一侧。

这张卡片看不懂?

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8章 万能分类器——支持向量机 · 查看原书依据

      对于数据集中这类偏离正常位置很远的数据点,我们称之为离群点(Outlier)。 为了处理这种情况,我们允许数据点在一定程度上偏离超平面(见图8.9)。也就是允许一些点位于H1 和H2 之间,也就是说允许分类面的间隔会小于1。

    参考来源

    - 位置:《机器学习算法原理与编程实践》第8章 万能分类器——支持向量机(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00028.html) - 结论依据:原文用离群点图示说明硬间隔失效,给出 1−ξi 约束、惩罚项 CΣξi、λi≤C 与数据偏斜处理。 - 原始内容:对于数据集中这类偏离正常位置很远的数据点,我们称之为离群点(Outlier)。 为了处理这种情况,我们允许数据点在一定程度上偏离超平面(见图8.9)。也就是允许一些点位于H1 和H2 之间,也就是说允许分类面的间隔会小于1。