Hinge loss
在機器學習中，鉸鏈損失是一個用於訓練分類器的損失函數。鉸鏈損失被用於「最大間格分類」，因此非常適合用於支持向量機 (SVM)。 对于一个预期输出 t={\pm}1，分类结果 y 的鉸鏈損失定義為 :\ell(y) = \max(0, 1-t \cdot y) 特別注意：以上式子的y應該使用分類器的「原始輸出」，而非預測標籤。例如，在線性支持向量機當中，y = \mathbf{w} \cdot \mathbf{x} + b，其中 (\ma…
标签：#支持向量機
共 4 篇文章
支持向量机
在机器学习中，-{zh-cn:支持向量机; zh-tw:支援向量機; zh-hk:支援向量機;}- （-{zh-cn:台湾称支援向量機; zh-tw:中國大陸稱支持向量机}-，，常简称為SVM，又名支援向量网络，当数据未被标记或者仅一些数据被标记时，支援向量聚类经常在工业应用中用作分类步骤的预处理。 动机 将数据进行分类是机器学习中的一项常见任务。 假设某些给定的数据点各自属于两个类之一，而目标是确定新数据点将在哪个类中。对于支持向量机…
序列最小优化算法
序列最小优化算法（, SMO）是一种用于解决支持向量机训练过程中所产生优化问题的算法。SMO由微软研究院的約翰·普拉特于1998年发明，目前被广泛使用于SVM的训练过程中，并在通行的SVM库LIBSVM中得到实现。1998年，SMO算法发表在SVM研究领域内引起了轰动，因为先前可用的SVM训练方法必须使用复杂的方法，并需要昂贵的第三方二次规划工具。而SMO算法较好地避免了这一问题。 问题定义 SMO算法主要用于解决支持向量机目标函数的最…
径向基函数核
在机器学习中，（高斯）径向基函数核（），或称为RBF核，是一种常用的核函数。它是支持向量机分类中最为常用的核函数。 关于两个样本x和x'的RBF核可表示为某个“输入空间”（input space）的特征向量，它的定义如下所示： :K(\mathbf{x}, \mathbf{x'}) = \exp\left(-\frac{||\mathbf{x} - \mathbf{x'}||_2^2}{2\sigma^2}\right) \textst…