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

L1-L2正则化的不同系数

我想对网络的权重同时应用L1和L2正则化。然而,我找不…

使用scikit-learn的无监督方法将列表分类成不同组别,有没有办法?

我有一系列实例,每个实例都有一份列表,代表它所遵循的不…

f1_score metric in lightgbm

我想使用自定义指标f1_score来训练一个lgb模型…

通过相关系数矩阵进行特征选择

我在测试不同的算法时,如逻辑回归、高斯朴素贝叶斯、随机…

可以将机器学习库用于流式输入和输出吗?

已关闭。此问题需要更加聚焦。目前不接受回答。 想要改进…

在TensorFlow中,queue.dequeue_up_to()方法的用途是什么?

我对这个方法感到非常困惑,特别是当我发现这个令人费解的…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注