第 1 页 / 共 19 页
第 2 页 / 共 19 页
第 3 页 / 共 19 页
第 4 页 / 共 19 页
第 5 页 / 共 19 页
第 6 页 / 共 19 页
第 7 页 / 共 19 页
第 8 页 / 共 19 页
第 9 页 / 共 19 页
第 10 页 / 共 19 页
第 11 页 / 共 19 页
第 12 页 / 共 19 页
第 13 页 / 共 19 页
第 14 页 / 共 19 页
第 15 页 / 共 19 页
第 16 页 / 共 19 页
第 17 页 / 共 19 页
第 18 页 / 共 19 页
第 19 页 / 共 19 页
机器学习（周志华）《机器学习》自学知识点笔记（第六章）_周志华 机器学习svm
机器学习（周志华）《机器学习》自学知识点笔记（第六章）_周志华 机器学习svm 第六章，支持向量机（SVM），一直是《机器学习》这本书里最令人着迷的章节之一。周志华大师的讲解，就像一块锋利的镜子，照亮了我们理解线性可分和非线性可分问题的路径。 核心概念在于最大化间隔，这是SVM得以在各种问题中表现出强大的能力的关键。 “间隔最大化”意味着我们希望找到一条能够将不同类别的数据点最大程度分隔开的超平面。周志华在书中详细解释了线性可分和非线性可分问题，并介绍了如何通过核函数将非线性可分问题转化为线性可分问题。 这种转化简直是周志华的精髓！ 核函数是SVM的灵魂。它允许SVM处理非线性问题，常见的核函数包括线性核、多项式核、径向基函数（RBF）核和Sigmoid核。 RBF核尤其强大，因为它能够捕捉到数据点之间的复杂关系。选择合适的核函数，对SVM的性能至关重要。 当然，SVM也存在一些需要注意的问题，比如参数的调优。C参数控制着误分类的容忍度，而gamma参数则影响着决策边界的曲率。 找到最佳的C和gamma值，需要通过交叉验证等方法进行实验。 总而言之，SVM的理解需要结合周志华的理论讲解和实践应用。 在学习SVM的过程中，不断思考如何利用间隔最大化来解决实际问题，才是真正掌握它的关键。 熟练运用，才能让SVM真正发挥其强大的力量。
展开
机器学习（周志华）
2025-07-21
14次阅读
资料获取方式
温馨提示：登录学霸英雄官网后可获取更多大学生必备科目和考证等复习备考资料！