【參考知識點】

• 分隔超平面：上述將數(shù)據(jù)集分割開來的直線叫做分隔超平面。
• 超平面：如果數(shù)據(jù)集是N維的，那么就需要N-1維的某對象來對數(shù)據(jù)進行分割。該對象叫做超平面，也就是分類的決策邊界。
• 間隔：一個點到分割面的距離，稱為點相對于分割面的距離。數(shù)據(jù)集中所有的點到分割面的最小間隔的 2倍，稱為分類器或數(shù)據(jù)集的間隔。
• 最大間隔：SVM分類器是要找最大的數(shù)據(jù)集間隔。
• 支持向量：離分割超平面最近的那些點。

【基本原理】支持向量機（support vector machine，SVM）的基本模型是定義在特征空間上間隔最大的線性分類器。是一種二分類模型，當采用了核技巧后，支持向量機就可以用于非線性分類。

超平面——分類的決策邊界。在SVM中，希望找到離分隔超平面最近的點（稱為支持向量），確保它們離分隔超平面的距離盡可能的遠。通過最大化支持向量到分隔超平面的距離來訓(xùn)練SVM。

SVM主要分為以下三類：

線性可分支持向量機（也稱為硬間隔支持向量機）：當訓(xùn)練數(shù)據(jù)線性可分時，通過硬間隔最大化，學(xué)得一個線性可分支持向量機。
線性支持向量機（也稱為軟間隔支持向量機）：當訓(xùn)練數(shù)據(jù)近似線性可分時，通過軟間隔最大化，學(xué)得一個線性支持向量機。
非線性支持向量機：當訓(xùn)練數(shù)據(jù)不可分時，通過使用核技巧以及軟間隔最大化，學(xué)得一個非線性支持向量機。
SVM本質(zhì)上是非線性方法。

總結(jié)

以上是生活随笔為你收集整理的深度学习方法笔记之（一）：SVM的基本模型的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。