支持向量机(SVM)入门(六,解决遗留问题)

但也出现了如下结果,看来任务没完没了(svm深似海?),还得下功夫:

支持向量机(SVM)入门(六,解决遗留问题)_第1张图片
支持向量机(SVM)入门(六,解决遗留问题)_第2张图片
支持向量机(SVM)入门(六,解决遗留问题)_第3张图片
支持向量机(SVM)入门(六,解决遗留问题)_第4张图片

前面我们的支持向量机到此便止步了,一晃两年,这几天有空,顺便研究了一下,问题有进展:

记录了一些值,分析后,猫腻出来了:

第三幅图情况复原:b=-1.4,x轴交点23,y轴交点23

其他情况(一): b=-1.0,x轴交点30,y轴交点30

其他情况(二): b=-2.0,x轴交点40,y轴交点40

其他情况(三): b=-1.83,x轴交点42,y轴交点46(以上四幅图中最好的情况)

整理了一下:

:b=-1.4,x轴交点23,y轴交点23

--->应该是yi*(*Xi+b)公式来验证所有每一个正样本,和负样本,大于等于一,ok,小于1,失败。

验证样本点,有两个0.4,所以放弃,失败(或者每样本|*Xi+b|>=1,ok)

:b=-1.0,x轴交点30,y轴交点30

--->a0=0.0011,其他ai全为0,yi*ai!=0,放弃

:b=-2.0,x轴交点40,y轴交点40

--->a0=a2=0.0011,a0正样本,a1负样本,其他ai全为0,yi*ai=0,ok

虽然后来我们引入了松弛变量,但结果也要满足先决条件。

这是几天来最大的收获,其实这也是今年最大的收获,条件和公理的关系。

所以这也是能前进一步的原因,原来一直觉得算法可能有问题,找了很长时间的问题,现在发现方向错了。但好处是,夯实了算法。

算法和条件都夯实了,结果就变得明朗了。

注:差一点找不到豆子的博客了,记录一下:

机器学习算法整理(七)支持向量机以及SMO算法实现 - douzujun - 博客园 (cnblogs.com)

你可能感兴趣的:(人工智能浅尝(四),支持向量机svm,人工智能)