Machine learning 计算最佳代价函数——支持向量机

我必须使用SVM计算以下分类问题的成本函数：

培训数据：

X1   X2   Y  
1.3  0.2  0
1.5  0.4  0
4.7  1.4  1
4.5  1.5  1

---

如何计算上述每个决策边界的成本函数，以找到最佳值？

要计算每个给定决策边界的成本，必须计算每个数据点的预测标签。例如，对于决策边界A和第一个数据点，必须替换x1=1.3和x2=0.2，然后预测的标签为1.6*1.3+4*0.2-5.6=-2.72。由于您处理的是二进制标签，通常情况下，您没有训练模型并且已经给出了决策边界的模型应该是这样的：如果1.6*x1+4*x2-5.6>=0，那么它的标签是1，反之亦然。仔细检查给定的模型。例如，假设决策边界A的预测标签和第一个数据点为0，因为计算值为-2.72<0，那么这是真负值，因为预测标签和给定标签都为0

共有4例： 1如果预测标签为1且给定标签为1，则称为真阳性。 2如果预测的标签为0，而给定的标签为0，则称为真负。 3如果预测标签为1，而给定标签为0，则称为假阳性。 4如果预测标签为0，给定标签为1，则称为假阴性

然后，通常，成本函数是一个关于真正数、真负数、假正数、假负数的函数。然后，在计算所有四个给定数据点的预测标签后，可以计算这些数字，从而计算模型的成本

p.S.在99.9%的概率中，成本函数仅为假阳性、假阴性，但有时在一些非常罕见的情况下，它也可能取决于真阳性、真阴性。

不是一个编程问题，因此可以说是离题了；更适合于。

A. 1.6*x1 + 4*x2 - 5.6 = 0
B. 2.4*x1 + 4 * x2 - 7.2 = 0
C. 0.96*x1 + 4 * x2 - 4.8 = 0