2 线性支持向量机
线性可分支持向量机过于理想化，当训练集不是线性可分时，无法得到最优解，因为此时原问题的不等式约束不能全部成立，即存在离群点（outlier），Slater条件不成立，进而KKT条件不成立。
2.1 对偶化后的假设空间
对偶化后的假设空间
2.2 目标函数变形（引入松弛变量）
目标函数变形
2.3 优化算法（更新KKT条件）
注：
机器学习-3 支持向量机【2】
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
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。
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
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。
相关阅读更多精彩内容
- 在接下来的两篇文章里，我们会着重介绍支持向量机(Support Vector Machine)算法，以下简称为SV...
