SVM学习1

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/Discoverhfub/article/details/81192515

在移动机器人跟随项目过程中使用到svm
了解SVM
支持向量机(support vector machine)-解决图像分类问题；这个确实不太好理解，通俗来讲，它是一种二类分类模型。
线性分类的一个例子

SVM大概的可以不确切的分为三个程度理解：
（1）线性可分情况下的线性分类器，这是最原始的SVM，它最核心的思想就是最大的分类间隔（margin maximization）；
（2）线性不可分情况下的线性分类器，引入了软间隔（soft margin）的概念；
（3）线性不可分情况下的非线性分类器，是SVM与核函数（kernel function）的结合。
什么是最大分类间隔
理论上这个决策边界有无数种选择，就像图中画出的四条黑色的线，都能实现分类，但是哪一种是最好的分类方式呢？SVM算法认为在上图中靠近决策平边界的点（正负样本）与决策边界的距离最大时，是最好的分类选择：

上图中红色的线就是要优化的目标，它表征了数据到决策边界的距离，这个距离就是所谓的最大分类间隔。同时在上面的几个数据，如果靠近两侧的数据少了几个，也不会影响决策边界的确定，而被红色框框出来三个数据才决定了最终的决策边界，所以这三个数据被称之为支持向量。

未完待续