Support Vector Machines - Part 1
支持向量机 - SVM(Support Vector Machines)Part 1
支持向量机 - SVM(Support Vector Machines)Part 1
- 线性可分支持向量机学习算法 - 最大间隔法
- 线性可分支持向量机的对偶算法
支持向量机 - SVM(Support Vector Machines)Part 1
支持向量机 - SVM(Support Vector Machines)Part 1
目录
监督机器学习问题是在规则化参数的同时最小化误差。最小化误差是为了让我们的模型拟合我们的训练数据,而规则化参数是防止我们的模型过分拟合我们的训练数据。 因为参数太多,会导致我们的模型复杂度上升,容易过拟合。但训练误差小并不是我们的最终目标,我们的目标是希望模型的测试误差小,也就是能准确的预测新的样本。 所以,我们需要保证模型“简单”的基础上最小化训练误差,这样得到的参数才具有好的泛化能力,而模型“简单”就是通过规则函数来实现的。 另外,规则项的使用还可以约束我们的模型的特性。这样就可以将人对这个模型的先验知识融入到模型的学习当中,强行地让学习到的模型具有人想要的特性,例如稀疏、低秩、平滑等等。