Machine Learning - Support Vector Machine
Decision Boundary
任何建立模型的分類演算法都會創造 Decision Boundary 決策邊界
可以是直的或是彎曲的
決定了模型的準確性,也就是標籤預測正確的比例
Support Vector Machine, SVM 支撐向量機
用統計分類最小化的原則來估計一個分類的 hyperplane 超平面
透過找到一個 Decision Boundary 決策邊界來讓兩類之間的邊界最大化,使其可以完美區隔開
不一定是直線,有可能是曲線,不同的演算法都是在不同的假設或是條件下去找那條分類的線
SVM 是去假設有一個 hyperplane (wTx + b = 0) 可以完美分割兩組資料,所以 SVM 就是在找參數 (w 和 b) 讓兩組之間的距離最大化
圖片來源:Hundred-Page Machine learning Book by A. Burkov online book
hyperplane 超平面:在多維空間中分割空間的方法,例如二維中以線分開,三維中以平面分開,在 N 維空間中便以 (N-1) 維的超平面來做分割
Reference
- Hundred-Page Machine learning Book by A. Burkov
- 黃貞瑛老師的機器學習課程
- 機器學習-支撐向量機(support vector machine, SVM)詳細推導
- 深度學習:超平面(Hyperplane)