【機器學習】SVM之Hinge Loss，從LR到SVM，SVM核函數進一步理解

Hinge Loss 解釋 SVM 求解使經過創建二次規劃原始問題，引入拉格朗日乘子法，而後轉換成對偶的形式去求解，這是一種理論很是充實的解法。這裏換一種角度來思考，在機器學習領域，通常的作法是經驗風險最小化 （empirical risk minimization,ERM），即構建假設函數（Hypothesis）爲輸入輸出間的映射，而後採用損失函數來衡量模型的優劣。求得使損失最小化的模型即爲最優

>>阅读原文<<