一、1.间隔与支持向量2.对偶问题3.核函数xi与xj在特征空间的內积等于他们在原始yangben空间中通过函数k(.,.)计算的结果。核矩阵K总是半正定的。4.软间隔与正则化软间隔允许某些samples不满足约束松弛变量5.支持向量回归（SVR）6....
一、
1.间隔与支持向量
2.对偶问题
3.核函数
xi与xj在特征空间的內积等于他们在原始yangben空间中通过函数k(.,.)计算的结果。
核矩阵K总是半正定的。
4.软间隔与正则化
软间隔允许某些samples不满足约束
松弛变量
5.支持向量回归（SVR）
6.核方法（引入核函数）
自己学习时写了代码，其中书中提到的SVM的经典的优化算法SMO我找到了论文并进行了下载，代码进行了python 实现，有需要的可以自己查看，习题以后补上。
https://github.com/makang101/machinelearning/tree/master/chapter6SVM
转载于:https://my.oschina.net/u/3870452/blog/1941100
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
0
0
已为社区贡献9条内容
所有评论(0)