如何通俗易懂地掌握线性支持向量机（LSVM）的技巧？
- 内容介绍
- 文章标签
- 相关推荐
本文共计2798个文字，预计阅读时间需要12分钟。
机器学习技术是机器学习基石的提升，本系列将讨论各类机器学习典型算法，包括支持向量机、决策树、随机森林、GBDT等。欢迎点赞、分享我的文章，关注我的微信公号。
机器学习技法是机器学习基石的提升，在此系列中我们将讨论各类机器学习典型算法，包括支持向量机、决策树、随机森林、GBDT等等。
欢迎大家点赞、分享我的文章，关注我的微信公众号。你们的支持就是我创作的动力！
还等什么？开始吧～
——前言
1
Large-Margin Separating Hyperplane
回顾一下我们之前介绍了线性分类（linear classification），对于线性可分的情况，我们可以使用PLA/pocket算法在平面或者超平面上把正负类分开。
例如对平面2D这种情况，我们可以找到一条直线，能将正类和负类完全分开。但是，这样的直线通常不止一条，如下图所示。
本文共计2798个文字，预计阅读时间需要12分钟。
机器学习技术是机器学习基石的提升，本系列将讨论各类机器学习典型算法，包括支持向量机、决策树、随机森林、GBDT等。欢迎点赞、分享我的文章，关注我的微信公号。
机器学习技法是机器学习基石的提升，在此系列中我们将讨论各类机器学习典型算法，包括支持向量机、决策树、随机森林、GBDT等等。
欢迎大家点赞、分享我的文章，关注我的微信公众号。你们的支持就是我创作的动力！
还等什么？开始吧～
——前言
1
Large-Margin Separating Hyperplane
回顾一下我们之前介绍了线性分类（linear classification），对于线性可分的情况，我们可以使用PLA/pocket算法在平面或者超平面上把正负类分开。
例如对平面2D这种情况，我们可以找到一条直线，能将正类和负类完全分开。但是，这样的直线通常不止一条，如下图所示。