如何深入理解并应用对偶支持向量机（DSVM）的机器学习技巧？
- 内容介绍
- 文章标签
- 相关推荐
本文共计2308个文字，预计阅读时间需要10分钟。
特别提醒：本公众号原名红色石头的机器学习之路即将更名为AI算法修正，请大家留意并持续关注本公众号！谢谢！
上一节课，我们主要介绍了线性支持向量机（Linear Support Vector Machine，简称LSVM）。
特别注意：
本公众号原名“红色石头的机器学习之路”即将改名为“AI算法修行”，请大家留意并继续关注本公众号！谢谢！
上节课我们主要介绍了线性支持向量机（Linear Support Vector Machine）。Linear SVM的目标是找出最“胖”的分割线进行正负类的分离，方法是使用二次规划来求出分类线。本节课将从另一个方面入手，研究对偶支持向量机（Dual Support Vector Machine），尝试从新的角度计算得出分类线，推广SVM的应用范围。
——前言
1
Motivation of Dual SVM
首先，我们回顾一下，对于非线性SVM，我们通常可以使用非线性变换将变量从x域转换到z域中。然后，在z域中，根据上一节课的内容，使用线性SVM解决问题即可。
本文共计2308个文字，预计阅读时间需要10分钟。
特别提醒：本公众号原名红色石头的机器学习之路即将更名为AI算法修正，请大家留意并持续关注本公众号！谢谢！
上一节课，我们主要介绍了线性支持向量机（Linear Support Vector Machine，简称LSVM）。
特别注意：
本公众号原名“红色石头的机器学习之路”即将改名为“AI算法修行”，请大家留意并继续关注本公众号！谢谢！
上节课我们主要介绍了线性支持向量机（Linear Support Vector Machine）。Linear SVM的目标是找出最“胖”的分割线进行正负类的分离，方法是使用二次规划来求出分类线。本节课将从另一个方面入手，研究对偶支持向量机（Dual Support Vector Machine），尝试从新的角度计算得出分类线，推广SVM的应用范围。
——前言
1
Motivation of Dual SVM
首先，我们回顾一下，对于非线性SVM，我们通常可以使用非线性变换将变量从x域转换到z域中。然后，在z域中，根据上一节课的内容，使用线性SVM解决问题即可。