超平面
支持向量机svm的基本原理
支持向量机svm的基本原理支持向量机（Support Vector Machine），简称“SVM”，是一种二分类、多分类和回归分析的有效机器学习方法。SVM算法可以得到最优（精准）的超平面，将给定的数据正确的分类。一、支持向量机的基本原理：1、构建最优超平面：SVM通过构建最优超平面来解决分类问题，其中最优超平面是给定数据集中“支持向量”到超平面的距离最大的超平面。2、支持向量：支持向量是隐含在...
支持向量机 损失函数
支持向量机 损失函数支持向量机（Support Vector Machine）是一种有监督学习算法，可以用于二分类或多分类问题。在分类模型中，SVM选择一个最优的超平面将数据集分为两个部分，并尽可能地将两个类别分开。SVM使用的损失函数是Hinge Loss，它可以让SVM对于误分类的点付出更高的代价，从而使得分类面更加鲁棒。Hinge Loss也被称为最大间隔损失函数，可以被视为一个函数和阈值之...
