标签：kernel mic blog sdn tps 引入 深度学习 线性变换 决策
吴恩达机器学习：https://www.bilibili.com/video/av9912938/?p=43
有一个很好的文章：https://blog.csdn.net/qq_39422642/article/details/78725278
https://blog.csdn.net/LeviAckerman/article/details/80353135
视频来自：https://www.bilibili.com/video/av38272602/?p=10
SVM的核心是：最大间隔
SVM和其他不同的算法类似的是：都是划分了决策边界。
不同是：决策边界划分的方法不同。
核心思想2：
引入y，把之前的两个式子，合并成一个。这也是个小trick
支持向量满足这个式子（式2）。
这个式子非常重要！。
拉格朗日乘子是需要学出来的东西
我们不关心x具体为什么，而是关心两个x的点乘。这其实也是一种kernel。
代入决策公式得
其中
为测试集中的数据。
测试集的点和路边的点两两乘内积，求完内积再求加权的和，如果>0,则为+。这就是最简单的SVM的形式。
当不为0时，Xi就不是路边的点了。只有为0时，才是路边的点。
求
核函数太难了。
但是
可以求出来。
因为两两点乘为一个常数，所以k是一个线性函数。
上面的是多项式核，下面的为高斯（RBF)核
在建模的时候，我们只需要知道核函数是什么，而不需要非线性变换的函数是什么。
这样我们就把上面的式子转化成了下面的式子。
现在就剩下一个问题：如何求
有了，就会有w,b。
题外话：SVM的所有优化都是凸优化。深度学习的时候，达到局部最优就可以了。不一定非要全局最优。
SMO如何做的？
每次固定2个变量，求极值，依次迭代。
标签：kernel mic blog sdn tps 引入 深度学习 线性变换 决策
原文地址：https://www.cnblogs.com/JasonPeng1/p/12110139.html
