版权声明:作者:Rookiekk 联系邮箱:[email protected] 欢迎转载或分享,但请务必声明文章出处。 https://blog.csdn.net/qq_18888869/article/details/82880415
一、
1.间隔与支持向量
2.对偶问题
3.核函数
xi与xj在特征空间的內积等于他们在原始yangben空间中通过函数k(.,.)计算的结果。
核矩阵K总是半正定的。
4.软间隔与正则化
软间隔允许某些samples不满足约束
松弛变量
5.支持向量回归(SVR)
6.核方法(引入核函数)
自己学习时写了代码,其中书中提到的SVM的经典的优化算法SMO我找到了论文并进行了下载,代码进行了python 实现,有需要的可以自己查看,习题以后补上。
https://github.com/makang101/machinelearning/tree/master/chapter6SVM