【问题标题】:support vector machines and Lagrange multiplier [closed]支持向量机和拉格朗日乘数
【发布时间】:2016-06-11 11:45:20
【问题描述】:

要找到超平面,我们必须使用拉格朗日乘数解决优化问题。我读过很多教程,他们都说支持向量是唯一具有拉格朗日乘数不为零的向量。

我想了解为什么或者我们只是假设?

【问题讨论】:

  • 我投票决定将此问题作为题外话结束,因为它属于 SE 网络中的数学网站。

标签: machine-learning svm libsvm


【解决方案1】:

这是因为从数学角度来看,超平面可以表示为(在线性情况下):

w = SUM_i^N y_i alpha_i x_i

因此,如果某些拉格朗日乘数 (alpha_i) 为零,则它们对应的向量 (x_i) 根本不会影响超平面,因为乘以零会使该向量从计算中消失。在内核情况下也是如此

<w, x> = SUM_i^N y_i alpha_i K(x_i, x)

对于 0 拉格朗日乘数,对应向量的核值无关紧要(同样 - 乘以零会删除该元素)。

因此,我们将这些在任何意义上用于表达超平面的向量称为 - 支持向量,因为它们是唯一真正支持的向量> 超平面,所有剩余的 - 在计算中被忽略。

【讨论】:

  • 你好 lejlot;但是有几个超平面,它们不是最优的,但是它们是分开的,然后我们假设它们等于零
  • 你似乎在这里混淆了一些东西。 SV的概念与再现空间定理中表示的任何超平面有关,它是否是最优的并不重要
  • 在我们假设支持向量具有非零乘数之后,我们应用带有 x_i 和 y_i 的拉格朗日乘数来获得 w = SUM_i^N y_i alpha_i x_i。请问我们如何计算这些非零乘数?
  • 这是完全不同的问题。由于 cmets 部分太小,请单独询问
猜你喜欢
  • 2015-04-13
  • 2016-06-20
  • 2022-01-25
  • 2020-07-31
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多