我的数据集具有要素列和目标标签0和1。当我使用SVM分类器进行二进制分类时，预测效果很好。但我的问题是它是如何被数学预测的？边缘超平面H1和H2具有以下方程：W^T X +B〉= 1这意味着，如果大于+1，则福尔斯一个类中。如果小于-1，则落入另一个类中。但是我们已经给了目标标签0和1。数学上是怎么计算的呢？任何Maven请.....
rdrgkggo1#
基本上，SVM希望找到最优超平面，以最大化每个类中最接近的数据点之间的间隔（所谓的支持向量）的方式分割数据点。这一切都可以分解为以下拉格朗日优化问题：
*w：确定最佳超平面的向量（为了直观起见，请熟悉点积的几何含义）***（w^T∙x_i+B）**是标量，显示单个数据点x_i与最大边距超平面之间的几何距离*B是一个偏差向量（我认为它来自SVM推导中的不定积分），您可以在此处找到更多信息：University Stanford -Computer Science Lecture 3-SVM*λ_i拉格朗日乘数*y_i标准化分类边界
求解优化问题得到所有必需的参数w、b和lambda。用一句话回答您的问题：类边界[-1，1]是任意设置的，实际上只是定义。二进制数据[0; 1]（所谓的伪变量）与边界无关，它只是一种方便的标记二进制数据的方法，标记只需要将特征链接到其对应的类或范畴。公式（8）中唯一的非参数是x_i，即特征空间中的数据点。至少我是这样理解SVM的。如果我说错了或不精确，请随时纠正我。
1条答案
按热度按时间rdrgkggo1#
基本上，SVM希望找到最优超平面，以最大化每个类中最接近的数据点之间的间隔（所谓的支持向量）的方式分割数据点。这一切都可以分解为以下拉格朗日优化问题：
*w：确定最佳超平面的向量（为了直观起见，请熟悉点积的几何含义）
***（w^T∙x_i+B）**是标量，显示单个数据点x_i与最大边距超平面之间的几何距离
*B是一个偏差向量（我认为它来自SVM推导中的不定积分），您可以在此处找到更多信息：University Stanford -Computer Science Lecture 3-SVM
*λ_i拉格朗日乘数
*y_i标准化分类边界
求解优化问题得到所有必需的参数w、b和lambda。
用一句话回答您的问题：类边界[-1，1]是任意设置的，实际上只是定义。
二进制数据[0; 1]（所谓的伪变量）与边界无关，它只是一种方便的标记二进制数据的方法，标记只需要将特征链接到其对应的类或范畴。
公式（8）中唯一的非参数是x_i，即特征空间中的数据点。
至少我是这样理解SVM的。如果我说错了或不精确，请随时纠正我。