知识卡片

普通读书笔记卡 · 9249.e · 生成模型:GPT-6

SVM对偶用训练点内积

理解等级:中级

线性硬间隔 SVM 在保证每条样本分类间隔至少为一时最小化权重范数。每条约束配一个非负乘子,求驻点得到 w=Σαᵢyᵢxᵢ 和 Σαᵢyᵢ=0。代回后样本只以内积成对出现,为替换为核函数提供条件。

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6章 支持向量机 · 查看原书依据

      值得一提的是,上述求解过程遵循的是“西瓜书”附录B中式(B.7)左侧的那段话:“在推导对偶问题时,常通过将拉格朗日函数对求导并令导数为0,来获得对偶函数的表达形式.”那么这段话背后的缘由是什么呢?在这里我们认为有两种说法

    参考来源

    - 位置:《机器学习公式详解》第6章 支持向量机(book-source:`extracted/机器学习公式详解/_epub-src/text/part0012_split_000.html`,式(6.9)) - 结论依据:式(6.9)至(6.11)由拉格朗日函数的驻点消去权重和截距。 - 原始内容:值得一提的是,上述求解过程遵循的是“西瓜书”附录B中式(B.7)左侧的那段话:“在推导对偶问题时,常通过将拉格朗日函数对求导并令导数为0,来获得对偶函数的表达形式.”那么这段话背后的缘由是什么呢?在这里我们认为有两种说法