DAY10支持向量机

昨天,我们已建立完随机森林回归分类方法,那今天,我打算来介绍下支持向量机(Support Vector Machines),首先先来图稍微说明下:
EX: 狗:蓝点;猫:红点;(p.s.不一定是图片,有可能是猫和狗的资料EX:体重…)当今天资料进来,如果想分辨是猫还是狗,就可以使用支持向量机

藉由不断修正,来达到最佳分割线

但有时候会出现无法用线性切割的状况

这时候就要拓展维度,像这样

而这个是使用到kernel函数,去进行维度扩展,像是

(把x,y带入就会产生z,这样资料就会有x,y,z就可以找到分割平面)
而所以kernel函数(核函数),实际其实就是一个带入x,y的函数f(x,y)
其中最常用的就是第三个内核RBF因为他在拓展到高维度会比较易於计算(因为使用泰勒展开式)
所以支持向量机其实也是一个分类方法而常用於支持向量机算法的演算法:SMO
SMO算法的目标是求出一系列系数，一旦求出了这些系数，就很容易依照系数来计算出权重向量w并得到分隔超平面。
(来源:维基百科和https://blog.csdn.net/tiankong_/article/details/80952154
之後演算法也会参考这两篇)

好,今天支持向量机概念算是完成了,明天就开始研究支持向量机演算法,主要会以写出SMO算法为主,并利用二维作为举例

男孩胸口发出的歌声,传到了森林外的小屋,此时男人用红色的双手托着下巴,彷佛在打量甚麽,只见他深吸了一口气,并朝着森林方向大叫了一声,而远处的男孩正烦恼着胸口的歌声该怎麽停下来,突然男孩听到了男人传来的大叫声,而男孩胸口的歌声,慢慢变小,最後歌声消失了,当歌声停下来後,男人露出了一抹微笑,并朝着森林走去
		--|不管你在哪,我会找到你,游戏开始了|--  CS.MM