内容

• 5.1 线性分类
• 5.2 可分情况
• 5.3 非线性可分情况
• 5.4 边界理论
• 5.5 本章注释
• 5.6 练习

简介

• 算法介绍
  • 在现代机器学习中，支持向量机(SVMs)是一种理论上最充分动机且实践中最有效的分类算法之一。
  • 在这章，我们将首先为可分数据集介绍SVMs，然后呈现其针对不可分数据集的通用版本。
• 线性分类问题
  • 我们从线性分类问题开始，该问题涉及训练模型来区分两类线性的决策边界。
  • 支持向量机(SVMs)是这种类型的问题的一个有效解决方案。
• 算法流程
  1. 定义决策边界 : 使用支持向量机(SVMs)算法来定义一个决策边界，该边界可以分割出两类数据点。
  2. 找到最大间隔 : 支持向量机(SVMs)通过找到最大间隔来实现这一目标，间隔是指两个类别的决策边界之间的距离。
• SVMs的通用版本
  • 虽然线性SVMs对可分数据集很有效，但是在实际应用中，我们经常遇到不可分数据集。
  • 为此，我们需要对SVMs进行扩展，以便它可以处理不可分数据集。
• 边缘概念
  • 本章将基于边缘概念为SVMs提供理论依据。
  • 边缘是指支持向量机(SVMs)所定义的决策边界与输入空间之间的距离。