周志華 機器學習 Day10

軟間隔與正則化 現實任務中，往往很難確定合適的核函數使得訓練樣本在特徵空間中線性可分；退一步說，幾遍恰好找到了某個核函數使訓練集在特徵空間中線性可分，也很難斷定這個貌似線性可分的結果不是由於過擬合所造成的。 緩解該問題的一個辦法是允許支持向量機在一些樣本上出錯。爲此，要引入「軟間隔」。 軟間隔表示，允許某些樣本不滿足約束。 常用的替代損失函數有 同時，對軟間隔支持向量機，KKT條件要求 支持向量回

>>阅读原文<<