2021-01-27

昨天看的主要是 关于 支持向量机的 白板推导 之前浙大的教授讲的 那个点 自己听完之后还是不太明白 还是不懂 那个 1的取值 这个白板推到 相当于从另外的一个 角度 进行了 推导
纯公式的推导 还是不错的 一个是注重 意思上的理解 一个是公式上的理解
公式上的推导 可能第一遍 看的时候 行云流水 但是一个真正的理解上确实存在问题的的
或者说 与真正的实际联系起来 存在一定的问题

第一次感觉到了 数学的强大 把一个实际的问题 转化为一个模型 通过一系列的手段 直接就可以求出结果 很是方便 凸函数 优化 泛函分析 等等具体的知识点
在这个过程中使用的一些 高大上词汇
拉格朗日乘子法 对偶问题 弱对偶关系 强对偶关系 支持向量 误差函数 正则化
最先是 求一个 间隔 的最大值 经过一些列的转化 变成了 求解 最小的Ω的 的模长的平方
中间利用 拉格朗日乘子法 讲限制条件 给融入到式子中 不再仅仅是一个单独的限制条件
再通过 对偶关系 进行一个 问题的转换 利用求导 求解最值点 再代入到原方程 求解最后的一个参数形式

还介绍的一个 就是 低维向高维的一个映射 可能存在有些 数据存在 线性不可分的现象
通过前面介绍的方法 不能进行一个 分类 所以要采取 向高维映射的一个方法 是的上述的方法还可以使用 并且还提出 一个 核函数的方法
接下来介绍的就是 软间隔和正则化的一个方式 针对的形式 主要是 数据中 可能存在 一定的噪声
对于噪声 进行一个 剔除的操作 这个就进行一个处理 如何记录这个损失
两种方式 一种是 统计点的个数 因为这个方法 函数值不连续 所以采用距离的方式 表述 这个误差 或者说是 损失
C 系数比例
弄清楚一个方程之前 先要弄清楚 自变量 与常数 还有一个就是 自变量的形式