台大林軒田機器學習課第二十講筆記：軟間隔支持向量機

本講介紹了SVM中實際上最常用的形式：軟間隔支持向量機。出發點是不再堅持SVM必須要把訓練集中的點完全分開，而是把每個點越界了多少這個值作為一個懲罰項。加入懲罰項以後，可以看到要求解的問題仍然是一個QP問題，可以找到其對偶問題，且該對偶問題跟前面介紹的硬間隔支持向量機的形式類似，只是 多了一個上限 做約束。這意味著數據集中所有點可以分成三種：不重要的、在邊界上的和違反了邊界條件的，這對做數據分析很有用。最後，再次介紹可以使用交叉驗證的方法確定最優的SVM的參數，而且由於SVM本身的性質，根據SVM中支持向量的個數篩選模型也是一種合理的做法

詳細內容戳我