本课件主要内容包括:

  1. 引言

  2. 模式识别学习机泛化性能的边界

    2.1 VC维

    2.2 定向超平面的破碎点

    2.3 VC维数与参数数量

    2.4 通过最小化h来最小化边界值

    2.5 两个示例

    2.6 结构风险最小化

  3. 线性SVM

    3.1 可分离的案例

    3.2 Karush-Kuhn-Tucker条件

    3.3 最优超平面示例

    3.4 测试阶段

    3.5 不可分离的案例

    3.6 力学模拟

    3.7 图形示例

4 非线性SVM

4.1 Mercer条件

4.2 一些注意要点

4.3 非线性SVM的示例

4.4 全局解与唯一性

5 求解的方法

5.1 复杂性、可扩展性和并行性

	5.1.1 训练

	5.1.2 验证

6 SVM的VC维

6.1 多项式核的VC维

6.2 径向基函数核的VC维

7 SVM的泛化性能

7.1 容隙分类器的VC维

7.2 容错分类器、结构风险最小化和支持向量机

7.3 如何计算最小封闭球

7.4 Leave-One-Out边界

7.5 VC、SV边界与实际风险

8 局限性

9 可扩展性

10 结论

在这里插入图片描述
在这里插入图片描述

完整原文下载地址:

http://page2.dfpan.com/fs/blc7j2321c2981676b4/

更多精彩文章请关注微信号:在这里插入图片描述

Logo

CSDN联合极客时间,共同打造面向开发者的精品内容学习社区,助力成长!

更多推荐