如何解决支持向量机-一个简单的解释？
| 因此，我试图了解SVM算法的工作原理，但是我无法弄清楚如何在n维平面的点上转换某些数据集，这些数据集具有数学意义，以便通过超平面将点分离并分类。 。 这里有一个例子，他们试图使老虎和大象的图片分类，他们说“我们将它们数字化为100x100像素的图像，所以我们在n维平面上有x，其中n = 10,000 \”，但是问题是它们如何转换实际上仅表示一些具有数学意义的色码IN点的矩阵，以便将它们分类为2类？ 可能有人可以在2D示例中向我解释这一点，因为我看到的任何图形表示都只是2D，而不是nD。解决方法
简短的答案是：它们不对矩阵进行变换，而是将矩阵中的每个元素都视为维度（在机器学习中，每个元素都称为功能）。
因此，他们需要对每个具有100x100 = 10000个特征的元素进行分类。在线性SVM情况下，他们使用超平面来实现，该超平面将10,000维空间划分为两个不同的区域。
更长的答案是：
考虑您的2D情况。现在，您要分离一组二维元素。这意味着您的集合中的每个元素都可以在数学上描述为2元组，即：e =（x1，x2）。例如，在您的图中，一些完整的点可能是：{（1,3），（2,4）}，而一些空心的点可能是{（4,2），（5,1）}。请注意，为了使用线性分类器对它们进行分类，您需要一个二维线性分类器，这将产生一个决策规则，看起来可能像这样：
e =（x1，x2）
if（w1 * x1 + w2 * x2）> C：确定e是一个完整的点。
否则：e是空心的。
注意分类器是线性的，因为它是e元素的线性组合。 \'w \'被称为\'weights \'，而\'C \'是决策阈值。上面具有2个元素的线性函数只是一条直线，这就是为什么在您的图中H是直线。
现在，回到我们的n维案例，您可能会想到我们认为一条线不会解决问题。在3D情况下，我们需要一个平面：（w1 * x1 + w2 * x2 + w2 * x3）> C，在n维情况下，我们需要一个超平面：（w1 * x1 + w2 * x2 + ... + wn * xn）> C，这真是难以想像，但绘制:-)仍然如此。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。