2019年8月4日 · SVM的英文全称是Support Vector Machines，我们叫它支持向量机。 支持向量机是我们用于分类的一种算法。 让我们以一个小故事的形式，开启我们的SVM之旅吧。 在很久以前的有两个小孩在玩分类小游戏，游戏规则是用一根小棒将两种不同颜色的小球分成两个部分。 第一个小孩有规律地在桌子上。 另一个小孩很快地就将两个分类完成。 于是小孩又在桌上放了更多的球，似乎有一个球站错了阵营。 显然，另一个小孩需要对棍做出调整。 小孩思考了一会，很 …

2024年2月7日 · 本文介绍了SVM算法的基本原理，包括硬间隔和软间隔的概念，以及在处理线性和非线性分类、回归和异常值检测中的应用。 通过Scikit-Learn示例，展示了SVM在实际项目中的操作，并探讨了SVM的优点和选择核函数的策略。 此外，还涉及了MNIST数据集在数字识别中的 ...

SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。 然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。

支持向量机（Support Vector Machine，简称 SVM）是一种监督学习算法，主要用于分类和回归问题。 SVM 的核心思想是找到一个最优的超平面，将不同类别的数据分开。

2025年1月16日 · SVM的目标是找到一个最佳的超平面（Hyperplane），将不同类别的数据点分隔开来，同时最大化两类之间的边界（Margin）。 本文将详细介绍SVM的理论基础、工作原理、类型、优势与劣势，并通过Python中的 scikit-learn 库实现一个具体的分类示例。

SVM所做的就是在众多线性模型中找到一条最优的线性模型，可以将样本数据分开，并且对测试数据有很强的容忍性。 在样本数据的特征中，找到一个超平面，平面两侧的类别数据到超平面的距离最大，这样就可以很好的将数据分开。

2025年2月17日 · SVM 的目标是找到一条直线（在高维空间中是超平面），使得这条直线能够将两类数据点分隔开，并且两类数据点到直线的最小距离（间隔）最大化。 支持向量：距离超平面最近的几个点称为“支持向量”，它们决定了超平面的位置和方向。 2. SVM 的数学原理. 对于线性可分的数据，SVM 的目标是找到一个超平面 H，使得两类数据点被正确分隔，并且间隔最大化。 w 是法向量（权重向量）。 b 是偏置项。 x 是数据点。 SVM 通过最大化两类数据点到超平面的最小 …

2025年1月27日 · 在机器学习的浩瀚星空中，支持向量机（Support Vector Machine，简称SVM）以其独特的魅力和卓越的性能，成为了众多算法中的一颗璀璨明珠。 SVM不仅在二分类问题上表现出色，更通过巧妙的扩展和变形，成功应用于多分…

支持向量机 (SVM) 是一种强大的工具，但是其计算和存储需求会随着训练向量数量的增加而迅速增长。 SVM 的核心是一个二次规划问题 (QP)，用于将支持向量与其余训练数据分离。

支持向量机（SVM）是 机器学习 中经典的二分类模型，它通过找到一个最优的超平面，最大化正负样本的分类间隔，实现对数据的有效分类。 本篇博客将从问题定义开始，逐步推导 SVM 的完整数学过程，包括优化目标、拉格朗日对偶理论、KKT 条件的应用和最终决策函数的构造。 推导过程力求数学完备，同时以通俗语言讲解每一步推导背后的逻辑。 1. 问题定义. 假设我们有一个训练数据集 D = { (xi,yi)}i=1N，其中 xi ∈ Rn 是特征向量， yi ∈ {−1,+1} 是分类标签。 目标是找到 …