线性分类器回顾 B B 直观的解释： >假如测试数据中有一些样本x给部分训练集样本x很相似，由 于测量误差或者噪声，x偏离了原来的位置。比如图中带阴影的 四个点，现在很靠近B2,B2很可能不能做出正确的预测
直观的解释: Ø假如测试数据中有一些样本x给部分训练集样本xn很相似，由 于测量误差或者噪声，x偏离了原来的位置。比如图中带阴影的 四个点，现在很靠近B2，B2很可能不能做出正确的预测
线性分类器回顾 B B 直观的解释： >X,越远离超平面，模型能忍受更多的噪音。所以模型的鲁棒性取决于超平面到最 近点的距离。 找到一个离两边样本都比较远的超平面
直观的解释: ØXn越远离超平面，模型能忍受更多的噪音。所以模型的鲁棒性取决于超平面到最 近点的距离。 找到一个离两边样本都比较远的超平面
提纲 口最大间隔与支持向量机 ▣支持向量回归 ▣软间隔与正则化 口核方法 ▣统计学习理论简介
p最大间隔与支持向量机 p支持向量回归 p软间隔与正则化 p核方法 p统计学习理论简介
线性分类 denotes +1 denotes ·denotes+1 。denotes-1 Support Vectors are those datapoints that the margin pushes up against
线性分类 Ø 1
最优分类超平面 margin margin (a) (b)
最优分类超平面