Algorithm 支持向量机中的决策边界和权重向量
我对支持向量机有些困惑,因为我没有太多的数学背景 假设超平面的方程(在任何维)是Algorithm 支持向量机中的决策边界和权重向量,algorithm,machine-learning,svm,Algorithm,Machine Learning,Svm,我对支持向量机有些困惑,因为我没有太多的数学背景 假设超平面的方程(在任何维)是w'x+b=0,现在我知道权重向量w与这个超平面正交 方程w'x+b=0是否只是一个与支持向量机无关的超平面的一般方程,也就是说,如果w和x是一般向量,那么形式为w'x+b=0的任何超平面将使向量w与超平面正交 考虑以下场景: 现在,当最小化目标函数0.5*| w | | ^^2时,我们将约束条件设为w'x+b>=1,例如class 2和w'x+b是的,任何超平面都符合该方程,w'将是正交的 不,您不会得到两倍大的
w'x+b=0
,现在我知道权重向量w
与这个超平面正交
方程w'x+b=0
是否只是一个与支持向量机无关的超平面的一般方程,也就是说,如果w
和x
是一般向量,那么形式为w'x+b=0
的任何超平面将使向量w
与超平面正交
考虑以下场景:
现在,当最小化目标函数
0.5*| w | | ^^2
时,我们将约束条件设为w'x+b>=1
,例如class 2
和w'x+b是的,任何超平面都符合该方程,w'
将是正交的
不,您不会得到两倍大的裕度:SVM算法会找到最大的裕度。您将得到的是b
的系数是前一个系数的两倍。这可能更适合该站点。