数据挖掘 - 支持向量机算法中的最大化边际公式 - 吾爱随笔录

我最近在阅读有关支持向量机及其工作原理的文章，偶然发现了一篇文章并遇到了最大化距离边距。

谁能告诉我我们必须在这里最小化什么？我无法理解我粘贴在下面的这部分。什么是 $w$ 和 $m$ 在下面给出的公式中？

最大化边距

为简单起见，我们将跳过计算保证金的公式 m 的推导，即

m = \frac{2}{‖ \vec{w} ‖}

$m = \frac{2}{\|\vec{w}\|}$

这个公式中唯一的变量是 w，它与 m 成间接比例，因此为了最大化边距，我们必须最小化 ||w||。这导致以下优化问题：

min_{(\vec{w}, b)} \frac{‖ \vec{w} ‖^{2}}{2}

$\min_{(\vec{w}, b)} \frac{\|\vec{w}\|^2}{2}$

服从

y_{i} (\vec{w} \cdot \vec{x} + b) \geq 1, \forall i = 1, \dots, n

$y_i(\vec{w}\cdot\vec{x}+b) \ge 1, \forall i = 1, \ldots, n$

以上是我们的数据是线性可分的情况。很多情况下，数据无法通过线性分离进行完美分类。在这种情况下，支持向量机寻找最大化边距和最小化错误分类的超平面。

文章链接：Hackerearth