感觉本质是最小间隔。
即有一个超平面把数据分开,且支持向量离超平面的距离最小。
然后转化成一个凸优化问题,求最优解,得到这个超平面(《统计学习方法》有简单练习)
有时候会有误差,需要松弛变量。
遇到非线性可分的问题,需要核函数,支持向量机通过某种事先选择的非线性映射(核函数)将输入变量映射到一个高维特征空间,在这个空间中构造最优分类超平面。
见过的最详细的讲解:
https://blog.csdn.net/macyang/article/details/38782399/
感觉本质是最小间隔。
即有一个超平面把数据分开,且支持向量离超平面的距离最小。
然后转化成一个凸优化问题,求最优解,得到这个超平面(《统计学习方法》有简单练习)
有时候会有误差,需要松弛变量。
遇到非线性可分的问题,需要核函数,支持向量机通过某种事先选择的非线性映射(核函数)将输入变量映射到一个高维特征空间,在这个空间中构造最优分类超平面。
见过的最详细的讲解:
https://blog.csdn.net/macyang/article/details/38782399/