支持向量機(jī)原理(二) 線性支持向量機(jī)的軟間隔最大化模型
支持向量機(jī)原理(三)線性不可分支持向量機(jī)與核函數(shù)
支持向量機(jī)原理(五)線性支持回歸(待填坑)
在SVM的前三篇里，我們優(yōu)化的目標(biāo)函數(shù)最終都是一個(gè)關(guān)于αα向量的函數(shù)。而怎么極小化這個(gè)函數(shù)，求出對(duì)應(yīng)的αα向量，進(jìn)而求出分離超平面我們沒(méi)有講。本篇就對(duì)優(yōu)化這個(gè)關(guān)于αα向量的函數(shù)的SMO算法做一個(gè)總結(jié)。
1. 回顧SVM優(yōu)化目標(biāo)函數(shù)
我們首先回顧下我們的優(yōu)化目標(biāo)函數(shù)：
minα12∑i=1,j=1mαiαjyiyjK(xi,xj)?∑i=1mαimin?α12∑i=1,j=1mαiαjyiyjK(xi,xj)?∑i=1mαi
s.t.∑i=1mαiyi=0s.t.
