学习最优超平面作为决策边界
支持向量是指识别分离超平面位置的训练观察的子集。标准的支持向量机算法是针对二元分类问题制定的,多类问题通常被简化为一系列的二元分类问题。
类型的支持向量机 | 美世的内核 | 描述 |
---|---|---|
高斯或径向基函数 | \ (K (x_1、x_2) = \ exp \离开(- \压裂{\ | x_1——x_2 \ | ^ 2}{2 \σ^ 2}\)\) | 一个班学习。\(\sigma\)是内核的宽度 |
线性 | \ (K (x_1、x_2) = x_1 ^ {\ mathsf {T}} x_2 \) |
两个类的学习。 |
多项式 | \ (K (x_1、x_2) = \离开(x_1 ^ {\ mathsf {T}} x_2 + 1 \右)^{\ρ}\) |
ρ\ (\ \)多项式的阶是多少 |
乙状结肠 | \ (K (x_1、x_2) = \双曲正切\离开(\ beta_ {0} x_1 ^ {\ mathsf {T}} x_2 + \ beta_ {1} \) \) |
它是一个mercer内核的特定值只\(\beta_{0}\)和\(\beta_{1}\) |
训练支持向量机相当于求解a二次优化拟合一个最小化类之间软裕度的超平面问题。变换特征的数量由支持向量的数量决定。
重点:
- 支持向量机在许多分类和回归任务中都取得了良好的性能。
- 虽然支持向量机是为二进制分类制定的,但您可以通过组合多个二进制分类器来构造一个多类支持向量机。
- 内核使支持向量机更加灵活,能够处理非线性问题。
- 只需要从训练数据中选择支持向量来构建决策曲面。一旦训练完毕,剩下的训练数据就无关紧要了,产生了适合于自动代码生成的模型的紧凑表示。
例子
支持向量机还可以用于异常检测,方法是构造一个单类支持向量机,其决策边界使用离群值阈值确定对象是否属于“正常”类。在本例中,MATLAB基于异常值的目标分数作为参数将所有示例映射到单个类,如下所示:fitcsvm(样本,(…),‘OutlierFraction’,…)。
该图显示了一系列的分离超平面OutlierFractions
用于来自人类活动分类任务的数据。