徽标
联盟百科
通讯
下载应用,请到 Google Play
新! 在您的Android™设备上下载联盟百科!
安装
比浏览器更快的访问!
 

支持向量机

指数 支持向量机

在机器学习中,支持向量机(support vector machine,常简称為SVM,又名支持向量网络)是在分类与迴歸分析中分析数据的監督式學習模型与相关的学习算法。给定一组训练实例,每个训练实例被标记为属于两个类别中的一个或另一个,SVM训练算法建立一个将新的实例分配给两个类别之一的模型,使其成为非概率线性分类器。SVM模型是将实例表示为空间中的点,这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后,将新的实例映射到同一空间,并基于它们落在间隔的哪一侧来预测所属类别。 除了进行线性分类之外,SVM还可以使用所谓的有效地进行非线性分类,将其输入隐式映射到高维特征空间中。 当数据未被标记时,不能进行监督式学习,需要用非監督式學習,它会尝试找出数据到簇的自然聚类,并将新数据映射到这些已形成的簇。将支持向量机改进的聚类算法被称为支持向量聚类Ben-Hur, Asa, Horn, David, Siegelmann, Hava, and Vapnik, Vladimir; "Support vector clustering" (2001) Journal of Machine Learning Research, 2: 125–137.

38 关系: 卡羅需-庫恩-塔克條件双曲函数坐标下降法实数亞歷克塞·澤范蘭傑斯序列最小优化算法交叉驗證二次规划弗拉基米尔·万普尼克径向基函数核分类问题凸函数C++积分变换算法維度线性分类器特征空间牛顿法監督式學習相关向量机非監督式學習预测分析超平面齊次多項式迴歸分析邏輯迴歸JavaScriptMATLABWeka梯度下降法次导数次梯度法法线泛化误差机器学习感知器数量积

卡羅需-庫恩-塔克條件

在數學中,卡羅需-库恩-塔克條件(英文原名:Karush-Kuhn-Tucker Conditions常見別名:Kuhn-Tucker,KKT條件,Karush-Kuhn-Tucker最優化條件,Karush-Kuhn-Tucker條件,Kuhn-Tucker最優化條件,Kuhn-Tucker條件)是在满足一些有规则的条件下,一個非線性規劃(Nonlinear Programming)問題能有最優化解法的一個必要和充分條件。這是一個廣義化拉格朗日乘數的成果。 考慮以下非線式最優化問題: f(x)是需要最小化的函數,g_i (x)\ (i.

新!!: 支持向量机和卡羅需-庫恩-塔克條件 · 查看更多 »

双曲函数

在数学中,双曲函数是一类与常见的三角函数(也叫圆函数)类似的函数。最基本的双曲函数是双曲正弦函数 \sinh和双曲余弦函数 \cosh,从它们可以导出双曲正切函数 \tanh等,其推导也类似于三角函数的推导。双曲函数的反函数称为反双曲函数。 双曲函数的定义域是实数,其自变量的值叫做双曲角。双曲函数出现于某些重要的线性微分方程的解中,譬如說定义悬链线和拉普拉斯方程。.

新!!: 支持向量机和双曲函数 · 查看更多 »

坐标下降法

坐标下降法(coordinate descent)是一种非梯度优化算法。算法在每次迭代中,在当前点处沿一个坐标方向进行以求得一个函数的局部极小值。在整个过程中循环使用不同的坐标方向。对于不可拆分的函数而言,算法可能无法在较小的迭代步数中求得最优解。为了加速收敛,可以采用一个适当的坐标系,例如通过主成分分析获得一个坐标间尽可能不相互关联的新坐标系(参考)。.

新!!: 支持向量机和坐标下降法 · 查看更多 »

实数

实数,是有理數和無理數的总称,前者如0、-4、81/7;后者如\sqrt、\pi等。实数可以直观地看作小數(有限或無限的),它們能把数轴「填滿」。但僅僅以枚舉的方式不能描述實數的全體。实数和虚数共同构成复数。 根据日常经验,有理數集在數軸上似乎是「稠密」的,于是古人一直认为用有理數即能滿足測量上的實際需要。以邊長為1公分的正方形為例,其對角線有多長?在規定的精度下(比如誤差小於0.001公分),總可以用有理數來表示足夠精確的測量結果(比如1.414公分)。但是,古希臘畢達哥拉斯學派的數學家發現,只使用有理數無法完全精確地表示這條對角線的長度,這徹底地打擊了他們的數學理念;他們原以為:.

新!!: 支持向量机和实数 · 查看更多 »

亞歷克塞·澤范蘭傑斯

亞歷克塞·澤范蘭傑斯(Алексей Яковлевич Червоненкис,Alexey Yakovlevich Chervonenkis,)是一位苏联和俄罗斯数学家。澤范蘭傑斯与另一位数学家弗拉基米尔·万普尼克一起是VC理论的主要提出者,这一理论被称为“机器学习的基础”,也是计算学习理论的重要组成部分。澤范蘭傑斯曾是皇家哈洛威学院和俄罗斯科学院联合聘请的学者 。 亞歷克塞·澤范蘭傑斯于2014年9月22日在森林中失踪,此后遗体被发现于莫斯科郊外的梅季希。.

新!!: 支持向量机和亞歷克塞·澤范蘭傑斯 · 查看更多 »

序列最小优化算法

序列最小优化算法(Sequential minimal optimization, SMO)是一种用于解决支持向量机训练过程中所产生优化问题的算法。SMO由微软研究院的于1998年发明,目前被广泛使用于SVM的训练过程中,并在通行的SVM库LIBSVM中得到实现。 1998年,SMO算法发表在SVM研究领域内引起了轰动,因为先前可用的SVM训练方法必须使用复杂的方法,并需要昂贵的第三方二次规划工具。而SMO算法较好地避免了这一问题。.

新!!: 支持向量机和序列最小优化算法 · 查看更多 »

交叉驗證

交叉驗證,有時亦稱循環估計(Morgan Kaufmann, San Mateo) Chang, J., Luo, Y., and Su, K. 1992.

新!!: 支持向量机和交叉驗證 · 查看更多 »

二次规划

二次规划(Quadratic programming),在运筹学当中,是一种特殊类型的最佳化问题。.

新!!: 支持向量机和二次规划 · 查看更多 »

弗拉基米尔·万普尼克

弗拉基米尔·万普尼克(Владимир Наумович Вапник,Vladimir Naumovich Vapnik,),俄罗斯统计学家、数学家。他是VC理论(Vapnik Chervonenkis theory)的主要创建人之一。.

新!!: 支持向量机和弗拉基米尔·万普尼克 · 查看更多 »

径向基函数核

在机器学习中,(高斯)径向基函数核(Radial basis function kernel),或称为RBF核,是一种常用的核函数。它是支持向量机分类中最为常用的核函数。Yin-Wen Chang, Cho-Jui Hsieh, Kai-Wei Chang, Michael Ringgaard and Chih-Jen Lin (2010).

新!!: 支持向量机和径向基函数核 · 查看更多 »

分类问题

分类问题是机器学习非常重要的一个组成部分,它的目标是根据已知样本的某些特征,判断一个新的样本属于哪种已知的样本类。分类问题也被称为监督式学习(supervised learning),根据已知训练区提供的样本,通过计算选择特征参数,建立判别函数以对样本进行的分类。 与之相对的称为非监督式学习(unsupervised learning),也叫做聚类分析。 Category:机器学习.

新!!: 支持向量机和分类问题 · 查看更多 »

凸函数

凸函数是一个定义在某个向量空间的凸子集C(区间)上的实值函数f,如果在其定义域C上的任意两点x,y,以及t\in ,有 也就是说,一个函数是凸的当且仅当其上境图(在函数图像上方的点集)为一个凸集。 如果对于任意的t\in (0,1)有 若對於任意的x,y,z,其中x\le z\le y,都有f(z)\leq \max\, \,\,\, \forall x,y,z \,\,\, x\leq z\leq y,則稱函數f是幾乎凸的。.

新!!: 支持向量机和凸函数 · 查看更多 »

C++

C++是一種使用廣泛的计算机程序設計語言。它是一種通用程序設計語言,支援多重编程模式,例如程序化程序設計、数据抽象、面向对象程序設計、泛型程序設計和设计模式等。 比雅尼·斯特勞斯特魯普博士在贝尔实验室工作期间在20世紀80年代發明並實現了C++。起初,這種語言被稱作“C with Classes”(“包含‘類’的C語言”),作為C語言的增強版出現。随后,C++不斷增加新特性。虚函数(virtual function)、运算符重载(operator overloading)、多繼承(multiple inheritance)、标准模板库(standard template library, STL)、异常处理(exception)、运行时类型信息(Runtime type information)、命名空間(namespace)等概念逐漸納入標準。1998年,國際標準組織(ISO)頒布了C++程序設計語言的第一個國際標準ISO/IEC 14882:1998,目前最新标准为ISO/IEC 14882:2017。根據《C++編--程思想》(Thinking in C++)一書,C++與C的代码执行效率往往相差在±5%之間。 C++語言發展大概可以分為三個階段:第一階段從80年代到1995年。這一階段C++語言基本上是傳統類型上的面向对象語言,並且憑藉着接近C語言的效率,在工業界使用的開發語言中佔據了相當大份額;第二階段從1995年到2000年,這一階段由於標準模板庫(STL)和後來的Boost等程式庫的出現,泛型程序設計在C++中佔據了越來越多的比重。當然,同時由於Java、C#等語言的出現和硬體價格的大規模下降,C++受到了一定的衝擊;第三階段從2000年至今,由於以Loki、MPL(Boost)等程式庫為代表的產生式編程和模板元編程的出現,C++出現了發展歷史上又一個新的高峰,這些新技術的出現以及和原有技術的融合,使C++已經成為當今主流程序設計語言中最複雜的一員。.

新!!: 支持向量机和C++ · 查看更多 »

积分变换

積分變換(integral transform)是數學中作用于函数的算子,用以處理微分方程等問題。常見的有傅里葉變換﹑拉普拉斯變換等。.

新!!: 支持向量机和积分变换 · 查看更多 »

算法

-- 算法(algorithm),在數學(算學)和電腦科學之中,為任何良定义的具體計算步驟的一个序列,常用於計算、和自動推理。精確而言,算法是一個表示爲有限長列表的。算法應包含清晰定義的指令用於計算函數。 算法中的指令描述的是一個計算,當其時能從一個初始狀態和初始輸入(可能爲空)開始,經過一系列有限而清晰定義的狀態最終產生輸出並停止於一個終態。一個狀態到另一個狀態的轉移不一定是確定的。隨機化算法在内的一些算法,包含了一些隨機輸入。 形式化算法的概念部分源自尝试解决希尔伯特提出的判定问题,並在其后尝试定义或者中成形。这些尝试包括库尔特·哥德尔、雅克·埃尔布朗和斯蒂芬·科尔·克莱尼分别于1930年、1934年和1935年提出的遞歸函數,阿隆佐·邱奇於1936年提出的λ演算,1936年的Formulation 1和艾倫·圖靈1937年提出的圖靈機。即使在當前,依然常有直覺想法難以定義爲形式化算法的情況。.

新!!: 支持向量机和算法 · 查看更多 »

維度

维度,又稱维数,是数学中独立参数的数目。在物理学和哲学的领域内,指独立的时空坐标的数目。 0维是一點,沒有長度。1维是線,只有長度。2维是一個平面,是由長度和寬度(或曲線)形成面積。3维是2维加上高度形成「體積面」。雖然在一般人中習慣了整數维,但在碎形中維度不一定是整數,可能会是一个非整的有理数或者无理数。 我们周围的空间有3个维(上下、前后、左右)。我們可以往上下、東南西北移動,其他方向的移動只需用3個三维空間軸來表示。向下移就等於負方向地向上移,向西北移就只是向西和向北移的混合。 在物理學上時間是第四维,與三個空間维不同的是,它只有一個,且只能往一方向前進。 我们所居於的时空有四个维(3个空间轴和1个时间轴),根據愛因斯坦的概念稱為四维时空,我們的宇宙是由時间和空间構成,而這條時間軸是一條虛數值的軸。 弦理論認為我們所居於的宇宙實際上有更多的維度(通常10、11或24個)。但是這些附加的维度所量度的是次原子大小的宇宙。 维度是理论模型,在非古典物理学中这点更为明显。所以不用计较宇宙的维数是多少,只要方便描述就行了。 在物理學中,質的量纲通常以質的基本單位表示:例如,速率的量纲就是長度除以時間。.

新!!: 支持向量机和維度 · 查看更多 »

线性分类器

在機器學習領域,分類的目標是指將具有相似特徵的对象聚集。而一個線性分類器則透過特徵的線性組合來做出分類決定,以達到此種目的。对象的特征通常被描述为特征值,而在向量中则描述为特征向量。.

新!!: 支持向量机和线性分类器 · 查看更多 »

特征空间

#重定向 特征值和特征向量.

新!!: 支持向量机和特征空间 · 查看更多 »

牛顿法

牛顿法(Newton's method)又称为牛顿-拉弗森方法(Newton-Raphson method),它是一种在实数域和复数域上近似求解方程的方法。方法使用函数f(x)的泰勒级数的前面几项来寻找方程f(y).

新!!: 支持向量机和牛顿法 · 查看更多 »

監督式學習

監督式學習(Supervised learning),是一個機器學習中的方法,可以由訓練資料中學到或建立一個模式(函數 / learning model),並依此模式推測新的实例。訓練資料是由輸入物件(通常是向量)和預期輸出所組成。函數的輸出可以是一個連續的值(稱為迴歸分析),或是預測一個分類標籤(稱作分類)。 一個監督式學習者的任務在觀察完一些訓練範例(輸入和預期輸出)後,去預測這個函數對任何可能出現的輸入的值的输出。要達到此目的,學習者必須以"合理"(見歸納偏向)的方式從現有的資料中一般化到非觀察到的情況。在人類和動物感知中,則通常被稱為概念學習(concept learning)。.

新!!: 支持向量机和監督式學習 · 查看更多 »

相关向量机

关向量机(Relevance vector machine,RVM)是使用贝叶斯推理得到回归和分类的简约解的机器学习技术。RVM的函数形式与支持向量机相同,但是可以提供概率分类。 其与带协方差函数的高斯过程等效。: 其中φ是核函数(通常是高斯核函数),x1,…,xN是训练集的输入向量。 Compared to the SVM the Bayesian formulation allows avoiding the set of free parameters that the SVM has and that usually require cross-validation based post optimizations.

新!!: 支持向量机和相关向量机 · 查看更多 »

非監督式學習

非監督式學習是一種機器學習的方式,並不需要人力來輸入標籤。它是監督式學習和強化學習等策略之外的一種選擇。在監督式學習中,典型的任務是分類和迴歸分析,且需要使用到人工預先準備好的範例(base)。 一個常見的非監督式學習是数据聚类。在人工神經網路中,生成對抗網絡(GAN)、自組織映射(SOM)和適應性共振理論(ART)則是最常用的非監督式學習。 ART模型允許叢集的個數可隨著問題的大小而變動,並讓使用者控制成員和同一個叢集之間的相似度分數,其方式為透過一個由使用者自定而被稱為警覺參數的常數。ART也用於模式識別,如自動目標辨識和數位信號處理。第一個版本為"ART1",是由卡本特和葛羅斯柏格所發展的。.

新!!: 支持向量机和非監督式學習 · 查看更多 »

预测分析

测分析(predictive analysis)是指一类对数据假设的预测性分析。 其表现在使用数据挖掘技术、历史数据和对未来状况的假设,预测如顾客对某报价有所反映的或购买某一产品的可能性等时间的结果。.

新!!: 支持向量机和预测分析 · 查看更多 »

超平面

在數學中,超平面(Hyperplane)是 n 維歐氏空間中餘維度等於1的線性子空間。這是平面中的直線、空間中的平面之推廣。 設 F 為域(為初等起見,可考慮 F.

新!!: 支持向量机和超平面 · 查看更多 »

齊次多項式

在數學中,齊次多項式是指各項的總次數均相同的多項式 ,例如 x^5 + 2 x^3 y^2 + 9 x^1 y^4 就是一個五次的雙變數齊次多項式,其各項的總次數都是五。 齊次多項式有時也稱作代數形式或形式。二次齊次多項式是二次型,在特徵不等於二的域(如實數或複數域)上可以用對稱矩陣表示。代數形式的理論很廣,並在數學及物理中有大量應用。 Q Q.

新!!: 支持向量机和齊次多項式 · 查看更多 »

迴歸分析

迴歸分析()是一種統計學上分析數據的方法,目的在於了解兩個或多個變數間是否相關、相關方向與強度,並建立數學模型以便觀察特定變數來預測研究者感興趣的變數。更具体的来说,回归分析可以帮助人们了解在只有一个自变量变化时因变量的变化量。一般来说,通过回归分析我们可以由给出的自变量估计因变量的条件期望。 迴歸分析是建立因變數Y(或稱依變數,反應變數)與自變數X(或稱獨變數,解釋變數)之間關係的模型。簡單線性回歸使用一個自變量X,複迴歸使用超過一個自變量(X_1, X_2...

新!!: 支持向量机和迴歸分析 · 查看更多 »

邏輯迴歸

逻辑回归(Logistic regression 或logit regression),即逻辑模型(Logit model,也译作“评定模型”、“分类评定模型”)是离散选择法模型之一,属于多重变量分析范畴,是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。.

新!!: 支持向量机和邏輯迴歸 · 查看更多 »

JavaScript

JavaScript,一种高级编程语言,通过解释执行,是一门动态类型,面向对象(基于原型)的直譯語言。它已经由ECMA(欧洲电脑制造商协会)通过ECMAScript实现语言的标准化。它被世界上的绝大多数网站所使用,也被世界主流浏览器(Chrome、IE、Firefox、Safari、Opera)支持。JavaScript是一门基于原型、函数先行的语言,是一门多范式的语言,它支持面向对象编程,命令式编程,以及函数式编程。它提供语法来操控文本、数组、日期以及正则表达式等,不支持I/O,比如网络、存储和图形等,但这些都可以由它的宿主环境提供支持。 虽然JavaScript与Java这门语言不管是在名字上,或是在语法上都有很多相似性,但这两门编程语言从设计之初就有很大的不同,JavaScript的语言设计主要受到了Self(一种基于原型的编程语言)和Scheme(一门函数式编程语言)的影响。在语法结构上它又与C语言有很多相似(例如if条件语句、while循环、switch语句、do-while循环等)。 在客户端,JavaScript在传统意义上被实现为一种解释语言,但在最近,它已经可以被即时编译(JIT)执行。随着最新的HTML5和CSS3语言标准的推行它还可用于游戏、桌面和移动应用程序的开发和在服务器端网络环境运行,如Node.js。.

新!!: 支持向量机和JavaScript · 查看更多 »

MATLAB

MATLAB(矩阵实验室)是MATrix LABoratory的缩写,是一款由美国The MathWorks公司出品的商业数学软件。MATLAB是一种用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境。除了矩阵运算、绘制函数/数据图像等常用功能外,MATLAB还可以用来创建用户界面及与调用其它语言(包括C、C++、Java、Python和FORTRAN)编写的程序。 尽管MATLAB主要用于数值运算,但利用为数众多的附加工具箱(Toolbox)它也适合不同领域的应用,例如控制系统设计与分析、图像处理、信号处理与通讯、金融建模和分析等。另外还有一个配套软件包Simulink,提供一个可视化开发环境,常用于系统模拟、动态/嵌入式系统开发等方面。.

新!!: 支持向量机和MATLAB · 查看更多 »

Weka

Weka是由新西兰怀卡托大学用Java开发的数据挖掘常用软件,Weka是怀卡托智能分析系统的缩写。Weka限制在GNU通用公众证书的条件下发布,它几乎可以运行在所有操作系统平台上,包括Linux、Windows、OS X等。 Category:开源软件.

新!!: 支持向量机和Weka · 查看更多 »

梯度下降法

梯度下降法(Gradient descent)是一个一阶最优化算法,通常也称为最速下降法。 要使用梯度下降法找到一个函数的局部极小值,必须向函数上当前点对应梯度(或者是近似梯度)的反方向的规定步长距离点进行迭代搜索。如果相反地向梯度正方向迭代进行搜索,则会接近函数的局部极大值点;这个过程则被称为梯度上升法。.

新!!: 支持向量机和梯度下降法 · 查看更多 »

次导数

次导数(subderivative)、次微分(subdifferential)、次切線(subtangent lines)和次梯度(subgradient)的概念出现在凸分析,也就是凸函数的研究中。 要注意的是,次切線(subtangent lines)和次切距(subtangent)是不同的。 设f:I→R是一个实变量凸函数,定义在实数轴上的开区间内。这种函数不一定是处处可导的,例如绝对值函数f(x).

新!!: 支持向量机和次导数 · 查看更多 »

次梯度法

次梯度法是求解凸函数最优化(凸优化)问题的一种迭代法。次梯度法能够用于不可微的目标函数。当目标函数可微时,对于无约束问题次梯度法与梯度下降法具有同样的搜索方向。 虽然在实际的应用中,次梯度法比内点法和牛顿法慢得多,但是次梯度法可以直接应用于更广泛的问题,次梯度法只需要很少的存储需求。然而,通过将次梯度法与分解技术结合,有时能够开发出问题的简单分配算法。.

新!!: 支持向量机和次梯度法 · 查看更多 »

法线

三维平面的法线是垂直于该平面的三维向量。曲面在某点P处的法线为垂直于该点切平面(tangent plane)的向量。 法線是与多边形(polygon)的曲面垂直的理論線,一個平面(plane)存在無限個法向量(normal vector)。在電腦圖學(computer graphics)的領域裡,法線決定著曲面與光源(light source)的浓淡处理(Flat Shading),对于每个点光源位置,其亮度取决于曲面法线的方向。.

新!!: 支持向量机和法线 · 查看更多 »

泛化误差

一个机器学习模型的泛化误差(Generalization error),是一个描述学生机器在从样品数据中学习之后,离教师机器之间的差距的函数。使用这个名字是因为这个函数表明一个机器的推理能力,即从样品数据中推导出的规则能够适用于新的数据的能力。 Category:机器学习.

新!!: 支持向量机和泛化误差 · 查看更多 »

机器学习

机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点,到以“知识”为重点,再到以“学习”为重点的自然、清晰的脉络。显然,机器学习是实现人工智能的一个途径,即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科,涉及概率论、统计学、逼近论、、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多推论问题属于无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。 机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。.

新!!: 支持向量机和机器学习 · 查看更多 »

感知器

感知器(英语:Perceptron)是Frank Rosenblatt在1957年就职于康奈尔航空实验室(Cornell Aeronautical Laboratory)時所發明的一種人工神經網路。它可以被視為一種最簡單形式的前馈神經網路,是一種二元线性分类器。 Frank Rosenblatt给出了相应的感知机学习算法,常用的有感知机学习、最小二乘法和梯度下降法。譬如,感知机利用梯度下降法对损失函数进行极小化,求出可将训练数据进行线性划分的分离超平面,从而求得感知机模型。 感知机是生物神经细胞的简单抽象。神经细胞结构大致可分为:树突、突触、及轴突。单个神经细胞可被视为一种只有两种状态的机器——激动时为『是』,而未激动时为『否』。神经细胞的状态取决于从其它的神经细胞收到的输入信号量,及突触的强度(抑制或加强)。当信号量总和超过了某个阈值时,细胞体就会激动,产生电脉冲。电脉冲沿着轴突并通过突触传递到其它神经元。为了模拟神经细胞行为,与之对应的感知机基础概念被提出,如权量(突触)、偏置(阈值)及激活函数(细胞体)。 在人工神经网络领域中,感知机也被指为单层的人工神经网络,以区别于较复杂的多层感知机(Multilayer Perceptron)。作为一种线性分类器,(单层)感知机可说是最简单的前向人工神经网络形式。尽管结构简单,感知机能够学习并解决相当复杂的问题。感知机主要的本质缺陷是它不能处理线性不可分问题。.

新!!: 支持向量机和感知器 · 查看更多 »

数量积

#重定向 点积.

新!!: 支持向量机和数量积 · 查看更多 »

重定向到这里:

SVM

传出传入
嘿!我们在Facebook上吧! »