SVM—線性支持向量機—二類分類模型
我連論文都不改
在這裡寫文章
(好吧,我承認只是單純的不想改)
然鵝
並沒啥子人看
我提摸的很難過
可能要去寫
情感類的文章了
SVM
支持向量機(Support Vector Machine,SVM)是常見的一種判別方法。在機器學習領域,是一個有監督的學習模型,通常用來進行模式識別、分類以及回歸分析。
線性二類分類模型
「SVM」既可「分類」又能「預測」,實乃吾輩居家旅行,行走江湖,湖光山色...(神經病啊你)必備之類利器。
這個 title 是SVM的一個分支,聞弦歌而知雅意,今天聊得是分類器,而且是分類器里很簡單的線性二分類(就是把兩個A和B分開),很基礎,很簡單,想這個標題很費腦。
內心OS:我很想把寫過的課程論文直接截圖啊喂!還有這裡的OS是指「Overlapping Sound」不是「Operating System」。
超平面
一個超簡單的平面:自由度比空間維度小1,即比所在維度低一維的空間就稱為高緯度的超平面。
怎麼理解自由度呢?你這麼想啊,你在三維空間裡面是不是可以畫零維的點,一維的線,二維的面,還可以做出任意的三維形狀(這裡你是神好不啦,畫的點是質點,先是直線,面是平面),但如果你在二維空間里(一個只有長寬沒有高低的世界),你怎麼搞三維?是不是不自由?憋屈不?
也就是三維空間內的超平面就的二維空間(其實要大於三維才會存在超平面這個概念,這裡出現是為了方便理解),向上推一下,四維空間的超平面就是三維空間咯( 維空間的超平面就是n-1維)。需要指出的是,這裡的維度都是數學上定義的,下面給出超平面的表達式:
上式中的 ,
和 都是 維列向量, 為平面上的點的集合, 為平面上的法向量,決定了超平面的方向, 是一個實數,代表超平面到原點的距離。
如果在二維空間(再次聲明要大於三維才會存在超平面這個概念),那麼超平面就是一維直線,也就是一元一次函數 ,下圖中 ,是不是就像是斜著切了一刀。
為什麼 要決定了超平面的方向,因為二類分類模型就是把待分類目標分成兩類嘛,當考慮線性可分的情況,給定有 個樣本 的訓練集合,其中,第 個輸出數據 是類標(假設輸入任意一張貓或者狗的圖片 ,對應的輸出 或者 就表示著這個分類器給出的結果)。定義判別函數 這個判別函數是 維矢量空間中的一個超平面,簡稱為分界面。為了使超平面能將 和 的兩類樣本正確區分,應選擇適當的 使樣本 滿足條件
若 ,則
若 ,則
PS:網上找的圖,把 換成 就好了
作為超平面法向量其實就是規定了一個正負。
現在知道什麼是超平面,什麼是二類分類模型了吧(吧啦叭叭叭)。
到底什麼是Support Vector
繼續看這張網上找來的圖,藍點所在虛線 ,其更左的藍點(藍點為輸出數據 的點)全都符合 ,紅點所在虛線 ,其更右的紅點(紅點為輸出數據 的點)全都符合 ,醬紫是不是就完全把兩個類別清清楚楚的分開了(su服),在 和 上的點就是傳說中的SVM啦。
又被兒子們連哄帶騙的忽悠出去玩了半天
所以我打算過兩天再寫
再深入的講一講
geometrical margin
Functional margin
······
推薦閱讀:
※我想做一個基於神經網路的數字識別程序,請問我應該看哪些書?
※有了人工智慧,5 分鐘就能建好個人網站?| 靈感早讀
※如何評價丘成桐團隊關於GAN的論文?