支持向量机原理(四)SMO算法原理

发布时间：2016年11月29日作者：文章转自网络，版权归原作者所有，反馈可立刻删除

支持向量机原理(五)线性支持回归(待填坑)

在SVM的前三篇里，我们优化的目标函数最终都是一个关于α向量的函数。而怎么极小化这个函数，求出对应的α向量，进而求出分离超平面我们没有讲。本篇就对优化这个关于α向量的函数的SMO算法做一个总结。

1. 回顾SVM优化目标函数

我们首先回顾下我们的优化目标函数：

minα12\sumi=1,j=1mαiαjyiyjK(xi,xj)?\sumi=1mαimin?α12\sumi=1,j=1mαiαjyiyjK(xi,xj)?\sumi=1mαi

s.t.∑i=1mαiyi=0s.t. 网友评论 var duoshuoQuery = {short_name:"qingruanit"}; (function() { var ds = document.createElement('script'); ds.type = 'text/javascript';ds.async = true; ds.src = (document.location.protocol == 'https:' ? 'https:' : 'http:') + '//static.duoshuo.com/embed.js'; ds.charset = 'UTF-8'; (document.getElementsByTagName('head')[0] || document.getElementsByTagName('body')[0]).appendChild(ds); })(); 更多精彩分享 学习是年轻人改变自己的最好方式