支持向量機原理(五)線性支持回歸(待填坑)
在SVM的前三篇里，我們優(yōu)化的目標函數(shù)最終都是一個關(guān)于αα向量的函數(shù)。而怎么極小化這個函數(shù)，求出對應(yīng)的αα向量，進而求出分離超平面我們沒有講。本篇就對優(yōu)化這個關(guān)于αα向量的函數(shù)的SMO算法做一個總結(jié)。
1. 回顧SVM優(yōu)化目標函數(shù)
我們首先回顧下我們的優(yōu)化目標函數(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.
學(xué)習(xí)是年輕人改變自己的最好方式
延伸閱讀
- ssh框架 2016-09-30
- 阿里移動安全 [無線安全]玩轉(zhuǎn)無線電——不安全的藍牙鎖 2017-07-26
- 消息隊列NetMQ 原理分析4-Socket、Session、Option和Pipe 2024-03-26
- Selective Search for Object Recognition 論文筆記【圖片目標分割】 2017-07-26
- 詞向量-LRWE模型-更好地識別反義詞同義詞 2017-07-26
- 從棧不平衡問題 理解 calling convention 2017-07-26
- php imagemagick 處理 圖片剪切、壓縮、合并、插入文本、背景色透明 2017-07-26
- Swift實現(xiàn)JSON轉(zhuǎn)Model - HandyJSON使用講解 2017-07-26
- 阿里移動安全 Android端惡意鎖屏勒索應(yīng)用分析 2017-07-26
- 集合結(jié)合數(shù)據(jù)結(jié)構(gòu)來看看(二) 2017-07-26
學(xué)習(xí)是年輕人改變自己的最好方式