Coursera, Machine Learning, SVM

 Support Vector Machine (large margin classifiers )

 

1. cost function and hypothesis 

下面那个紫色线就是SVM 的cost function

  

 

 

　　

   

　　

 

2. SVM 的数学解释

　　                    

 

 

 

 3. SVM with kernel

　　

 

　　我的理解是 kernel 的作用就是把低维度的 x 转化成高维的 f, 然后就好分类了

　　　　

 

 　　

 

　　　　

 

 　　note: 上图就是一个2维（x1, x2）变3维(f1, f2, f3)的例子

 

　　

 

4. SVM in practice

 

　　

 想一想，上面的结论也合理，因为SVM+kernel 会把n 个feature变成 m 个feature (m>n 以便放到更高维空间)， 所以如果n>m 达不到低维到高维的变换，m 太大又会造成维度太高，最适合的情况是 m 略大于 n.大概相差一个数量级，如上图例子.

 

 

　　note: SVM without kernel 和liner regression 只能 linear 分类， 而SVM with kernel 可以做到non-linear 分类.

 

 

Ref:

　　SVM由浅入深的详细讲解（遇到最易懂的）