由svm所想到的

我们知道SVM算法的实质是找出一个能够将某个值最大化的超平面，这个值即为超平面离所有训练样本的最小距离。N维特征情况下，这个超平面往往是N-1维的。
也就是说，如果想把一条线段划分为两部分，只需选择一个点即可，二维平面下只需选择一条直线即可，然而点却不行，以此类推也就是想把N维空间划分成两部分，需要的是一个N-1维超平面，而1...N-2不行，当然没必要用平面去划分一条直线。那么为什么是一个N-1维超平面呢？个人认为减少的这一维代表的是N-1维超平面的作用范围(即正反例所处的区域)。也就是只有当N-1维的超平面加上其所作用的范围，才能构成N维空间。

©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容