支持向量机SVM

#返回目录

---

支持向量机

• 目录
  • 模型介绍
  • 梯度下降法原理和代码
  • sklearn实现

---

---

模型介绍

支持向量机

摘录:

1. 实际上SVM找到的仍然不是一个最优的超平面，但一定在最优附近，本文的最优是相对于感知机、逻辑斯蒂等算法而言.
2. 超平面可以使得与它最近的样本点的距离必须大于其他所有超平面划分时与最近的样本点的距离。在SVM当中这叫间隔最大化。
3. SVM解决线性不可分的过程，但它并不是逐渐升维的，而是直接上升到无穷维。
4. 我们去找具体是第几维这种过程太复杂了，事实上我们的维度只需要大于等于N维就可以了,使得其必定可以线性可分。