SVM – 支持向量机中向量与点的混淆

为什么在支持向量机理论中,位于最大边界超平面边缘的训练集点被称为支持向量?它们是点,不是吗?


回答:

在这种情况下,点和向量实际上是同一事物

在给定的原点下,空间中的每个点都可以通过一个向量来描述,反之,每个向量也定义了空间中的一个点。

编辑(基于评论):

选择超平面是为了最佳地分隔两个类别。它仅依赖于最靠近超平面的向量——这些被称为“支持”向量。维基百科页面上的图片对此进行了分类说明。

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注