推 thefattiger: 三言兩語講不完,你把W和b乘以任意值,Wx+b的結果 06/04 23:17
→ thefattiger: 都會不一樣,所以要配上另一條constrain才有意義 06/04 23:17
→ thefattiger: 可以去u2搜林軒田教授講SVM的部分 06/04 23:18
推 moonoftree: 選 1 算是通用吧 也是為了後續推導用 事實上沒差 06/05 04:40
→ moonoftree: wx+b>=1 兩邊同乘 0.5 變 0.5wx+0.5b>=0.5 06/05 04:40
→ moonoftree: 令 w'=0.5w b'=0.5b 就變成 w'x+b'>=0.5 06/05 04:40
→ moonoftree: 這式子透過同樣方法求出來的 線是一樣的 06/05 04:40
→ moonoftree: 反正主要是要理解 SVM 想要去 maximize margin 06/05 04:40
→ moonoftree: 假如當初選 1 的話 06/05 04:40
→ moonoftree: 可以透過兩平行線距離求得 margin = 2/|w| 06/05 04:40
→ moonoftree: 而實際上很難找到一條線完整把正負資料分開 06/05 04:40
→ moonoftree: 所以可以參考 soft SVM 06/05 04:40
→ moonoftree: 容忍資料與線中有些許的誤差去做分類 06/05 04:40
→ moonoftree: 詳細的內容可以參考林軒田老師的教學 06/05 04:40
推 ouryouth: 樓上是對的 因為經過scale過了 06/05 12:49
→ sxy67230: 其實那個1就是方便計算而已,因為那是"最大邊界"。就算 06/05 19:23
→ sxy67230: 你不設1,基於最優化,max(margin/||w||),更新過後的w' 06/05 19:23
→ sxy67230: =w/margin,代入後就是max(1/||w'||),考慮正負就是2/|| 06/05 19:23
→ sxy67230: w|| 06/05 19:23
→ sxy67230: 這在物理意義上代表今天你就算設100,svm在做最優化他 06/05 19:25
→ sxy67230: 還是會自動幫你找到間隔在正負1之間。 06/05 19:25