北大svm講義ppt課件(編輯修改稿)
2025-06-02 12:18 本頁面
【文章內(nèi)容簡介】 函數(shù)把屬于 Ci類與不屬于 Ci類的點分開 。 ? 更復雜一點的方法是用 k(k1)/2個線性判別函數(shù) ， 把樣本分為 k個類別 ， 每個線性判別函數(shù)只對其中的兩個類別分類 。 信息科學技術(shù)學院 網(wǎng)絡研究所 廣義線性判別函數(shù) 在一維空間中 ， 沒有任何一個線性函數(shù)能解決下述劃分問題 （ 黑紅各代表一類數(shù)據(jù) ） ， 可見線性判別函數(shù)有一定的局限性 。 信息科學技術(shù)學院 網(wǎng)絡研究所 廣義線性判別函數(shù) ? 如果建立一個二次判別函數(shù) g(x)=(xa)(xb)， 則可以很好的解決上述分類問題 。 ? 決策規(guī)則仍是：如果 g(x)0，則判定 x屬于 C1，如果g(x)0，則判定 x屬于 C2，如果 g(x)=0，則可以將 x任意分到某一類或者拒絕判定。 信息科學技術(shù)學院 網(wǎng)絡研究所 廣義線性判別函數(shù) 信息科學技術(shù)學院 網(wǎng)絡研究所 廣義線性判別函數(shù) 信息科學技術(shù)學院 網(wǎng)絡研究所 設計線性分類器 信息科學技術(shù)學院 網(wǎng)絡研究所 Fisher線性判別方法 ? 如： Fisher線性判別方法 ， 主要解決把 d維空間的樣本投影到一條直線上 ， 形成一維空間 ，即把維數(shù)壓縮到一維 。 ? 然而在 d維空間分得很好的樣本投影到一維空間后 ， 可能混到一起而無法分割 。 ? 但一般情況下總可以找到某個方向 ， 使得在該方向的直線上 ，樣本的投影能分開的最好 。 ? 目的是降維 ,在低維空間中分割 信息科學技術(shù)學院 網(wǎng)絡研究所 Outline ?SVM的理論基礎(chǔ) ?線性判別函數(shù)和判別面 ?最優(yōu)分類面 ?支持向量機 ? SVM的研究與應用 信息科學技術(shù)學院 網(wǎng)絡研究所 最優(yōu)分類面 ? SVM 是從線性可分情況下的最優(yōu)分類面發(fā)展而來的 , 基本思想可用圖 2的兩維情況說明 . 圖中 , 方形點和圓形點代表兩類樣本 , H 為分類線 ,H1, H2分別為過各類中離分類線最近的樣本且平行于分類線的直線 , 它們之間的距離叫做 分類間隔 (margin)。 所謂最優(yōu)分類線就是要求分類線不但能將兩類正確分開 (訓練錯誤率為 0),而且使分類間隔最大 . 推廣到高維空間，最優(yōu)分類線就變?yōu)?最優(yōu)分類面 。 信息科學技術(shù)學院 網(wǎng)絡研究所 最優(yōu)分類面 信息科學技術(shù)學院 183
教學課件相關(guān)推薦
鄂ICP備17016276號-1