当前位置：首页 > news >正文

.net asp可以外链其它网站吗做得不好的知名企业网站

news 2025/11/6 22:03:18

.net asp可以外链其它网站吗,做得不好的知名企业网站,做网站设计需要具备哪些,dedecms网站地图前台路径不修改这是我读本科的时候第一个接触到的机器学习算法，但也是第一个听完就忘的。。。他的基本思想很简单：想办法把一个样本集划成两个部分：对于空间中的样本点集合，我们找到一个超平面把这个样本点集合给分成两个部分，其中…

这是我读本科的时候第一个接触到的机器学习算法，但也是第一个听完就忘的。。。

他的基本思想很简单：想办法把一个样本集划成两个部分：对于空间中的样本点集合，我们找到一个超平面把这个样本点集合给分成两个部分，其中一部分是正类，另一部分是反（负）类，支持向量机的优化目标就是找到一个超平面，使得空间中距离超平面最近的点到超平面的几何间距尽可能大，这些点就被称为支持向量。

首先得了解几个概念：

一、最大间隔和超平面：

和之前的一样，我们给定一个样本集合 $D=\left\{(x_1,y_1),(x_2,y_2),\cdots,(x_m,y_m)\right\}$ 然后设定： $y_i\in \left\{-1,+1\right\}$ ,设输入空间中的一个超平面为：

$\omega^T x+b=0$

其中， $\omega$ 是超平面的法向量，b为偏置，决定超平面的位置，根据点到直线的距离公式的扩展，空间中一点 $x_i$ 到超平面 $\omega^T x+b=0$ 的欧氏距离为：

$r_i=\frac{|\omega^Tx+b|}{||\omega||}$

如果超平面可以把所有样本点分成两类，那实际上，点 $x_i$ 到超平面 $\omega^T x+b=0$ 的欧氏距离就是一个分段函数：

$\left\{\begin{matrix} r_i=\frac{|\omega^T+b|}{||\omega||}y_i=+1 & \\ r_i=-\frac{|\omega^T+b|}{||\omega||}y_i=-1 & \end{matrix}\right.$

好了，基本上把最大间隔和超平面给了解清楚了，说白了，就是，emm，我画个图来展示一下：

其实这个就是个很简单的东西，第四张可看可不看，主要是前三张图片，第一张是y1=sin(x)

第二张是y2=cos(x*pi/2),第三张是y3=y1+y2，那也就是说，怎么样才能从第三张图中把y1和y2给分离出来呢，学信号的同学这不就来精神了吗，那不就是，对吧，我直接一个傅里叶变换从时空域变到频率域，这不就很简单的能分开了嘛，so easy对吧，可是，这里，咱说的是支持向量机，也就是说，我们得用支持向量机的观点来给他把(x，y1)和(x,y2)这两个信号分开，怎么分开，我暂时就想了上面提到的变换到频率域去解决，当然，学信号的人会想到用滤波器或者其他方法，总之，有很多，但是具体怎么做呢，大家可以自己去试试，找找文献或者技术资料，来看看信号的分离或者是信号去噪这方面的，我只知道，方法很多。

二、线性可分支持向量机

QAQ，这个概念就要两页多，因为小学抄古诗抄怕了，我是真不喜欢抄书，，但是，抄吧，首先看一下他的目标是啥：通过求解 $\omega$ 和b，找到一个超平面，在保证这个超平面能偶正确将样本进行分类的同时，要使距离超平面最近的点到超平面的距离尽可能的大，说白了就是一个带约束条件的优化问题，其约束条件就是超平面可以把样本集合的点都给正确分类喽。

我们把距离超平面最近的点和超平面之间的距离记为 $r=min{ r_i} ,i=1,2,\cdots,m$

最优化问题就是：

$max \left\{ r\right\}$

$s.t, r_i=\frac{\omega^T+b}{||\omega||}y_i\geqslant r ,i=1,2,\cdots,m$

我们可以对任一支持向量 $x^*$ 通过对超平面公式进行缩放，使得

$(\omega ^T x^*+b)y^*=1$

然后 $x^*$ 到超平面的距离就是 $\frac{1}{||\omega||}$ ,优化问题就能够写成

$max \left\{ \frac{1}{||\omega||}\right\}$

$s.t, r_i=\frac{\omega^T+b}{||\omega||}y_i\geqslant \frac{1}{||\omega||} ,i=1,2,\cdots,m$

最大化 $\frac{1}{||\omega||}$ ，也就是最小化 $\frac{1}{2}||\omega||^2$ ,这里我用后者作为优化目标，就让你的计算可以方便了很多。

数学上是完全可以证明，支持向量机的超平面存在着唯一性，至少有两个支持向量，而且超平面的位置仅由这些支持向量决定。

再感知机的模型中，优化的目标很明确：

在满足模型能够正确分类的约束条件下，使得样本集合中所有点到分割超平面的距离最小，这样的超平面可能会有无数个。

然后，怎么求上面给出的最优化问题嘞？可以用拉格朗日乘子法来求解：

$Lag(\omega,b,\alpha)=\frac{1}{2}\left | \left | \omega \right | \right |^2+\sum_{i=1}^m\alpha_i(1-(\omega^T x_i+b)y_i),\alpha=(\alpha_1,\alpha_2,\cdots,\alpha_m)$