SVM学习——Sequential Minimal Optimization
1、前言 接触SVM也有一段时间了，从理论到实践都有了粗浅的认识，我认为SVM的发展可以划分为几个相对独立的部分，首先是SVM理论本身，包括寻找最大间隔分类超平面、引入核方法极大提高对非线性问题的处理能力、引入松弛变量的软间隔优化，用间隔定量的描述置信风险等等；其次是核方法理论的发展，它独立于SVM本身，这也同
http://cyqdata.cn/cnblogs/article-detail-38897
SVM学习——Coordinate Desent Method
前几篇侃了侃SVM的基本原理和一些相关知识，尤其是在SVM学习——软间隔优化这一篇，提到了SVM学习器的两种形式，常被叫做L1-SVM和L2-SVM，这两种形式的区别在损失函数的形式上，令训练样例为，取值为-1或+1， 软间隔优化的原始形式为： &n
http://cyqdata.cn/cnblogs/article-detail-3437