想了解机器学习的看过来，一招教你变大神！
发布时间：2019-01-27 02:36:31 所属栏目：建站 来源：AI研究所
导读：作为模式识别或者机器学习的爱好者，同学们一定听说过支持向量机这个概念，这可是一个，在机器学习中避不开的重要问题。 其实关于这个知识点，有一则很通俗有趣的传说： 很久以前，一个村庄里住着一位退隐的大侠，相传大侠的剑法非常高明。 在一个月黑风高
|
间隔最大化 SVM的思想是使得间隔最大化，也就是： 
显然，最大化 2||w|| 相当于最小化 ||w||，公式（6）可以转化成： 
公式（7）即为支持向量机的基本型。 对偶问题的解决方法——拉格朗日乘子式看到这类带约束的最小值问题，很自然我们想到了拉格朗日乘子法。 由此最终求解可以得到模型： 
从这个结论里我们可以看出支持向量机的重要特征：当训练完成后，大部分样本都不需要保留，最终模型只与支持向量有关。 应用场景近年来SVM已经在图像识别、信号处理、基因图谱识别等方面得到了广泛的应用，例如在无人驾驶技术中，需要对路面箭头指示进行识别，这里就用到了SVM。
又比如，方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中，进行物体检测的特征描述子。如今，HOG特征结合SVM分类器已经被广泛应用于图像识别中，尤其是在行人检测中，获得了极大的成功。 支持向量机 VS 深度学习SVM和深度学习（DeepLearning，以下简称DL）相比，有哪些特点和适用场景呢？ 一般来说，SVM在解决中小数据规模（相对少）、非线性（惩罚变量）、高维（核函数）模式识别方面，具有较大的优势。DL处理的对象主要为图像和声音，其优势在于对原始特征的表示。 但是神经网络相当于一个黑盒模型，在一些关键的应用场合，会有较高的风险。
例如在智能医疗方面，一个医生使用了基于深度学习的系统，却由于神经网络的“黑盒”特性，无法向患者解释诊断原理，那用户极有可能会因为高风险而拒绝。 但如果选用的是SVM，它是单纯从可靠的数学理论推导出来的，可解释性较好，那用户对这类产品的选择率会更高。【编辑推荐】
点赞 0 （编辑：核心网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
