機器學習-支持向量機 -- 軟間隔SVM和非線性SVM

上篇文章講了硬間隔SVM，利用間隔最大化求最優超平面和決策函數 -Q:現實中, 很難找到一個超平面使得訓練樣本在特徵空間中線性可分; 同時一個線性可分的結果也很難斷定是否是有過擬合造成的. -A:引入」軟間隔」的概念, 允許支持向量機在一些樣本上不滿足約束. 一、軟間隔SVM 1. 鬆弛變量 2. 軟間隔SVM模型 3. 使用對偶求解 4. 軟間隔SVM算法 5. 軟間隔支持向量 6. 合頁損失函

>>阅读原文<<