{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":172,"pdf_page":188,"physical_index":188,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"72e16463e707315817d221c8faf7bb0c53f1ca402e398400d8ff54b7b58f6b53"},"chapter":"第6章","content":"推广到高维空间中，这条分割的“直线”不再是直线，而叫作超平面(hyperplane）。在三维空间中，超平面是二维的平面。在更高维空间中，超平面会更加抽象。为了方便描述这个超平面，我们需要知道如何用数学形式指代它，就像用 $\\mathbf { y } = - \\mathbf { x } + 2$ 表示图6-12的直线一样。\n\n首先，我们要知道，在n维空间中，一个点的坐标需要n个数值来表示，即 $( \\mathbf { x } 1 , \\mathbf { x } 2 , . . . , \\mathbf { x } \\mathbf { n } )$ o我们可以把它简写为向量x，那么在n维空间中，超平面就可以用以下形式来表示：\n\n$$\n\\mathbf { \\Delta W } \\circ \\mathbf { \\Delta x } + \\mathbf { b } = 0\n$$\n\n其中，w和b是参数，就如同直线y=ax+b 中的a和 b一样，只不过这里的w是n维向量，b为实数。 $\\mathrm { ~ w ~ } \\bullet \\mathrm { ~ x ~ } + \\mathrm { b } > 0$ 和 $\\mathrm { w } \\cdot \\mathrm { x } + \\mathrm { b } < 0$ 分别对应超平面两侧的空间。对于一个未知标签的样本点x，我们只需看wx+b的正负，即可判别它是正值样本还是负值样本。这种分类模型叫作感知机（perceptron）。\n\n让我们回到二维平面的例子。可以将图中两种点完全隔离的直线有无数条，那么其中是否存在一条最优的直线呢？\n\n在图6-15中，直线a和b都能分离两种点，但当更多的点进来后，直线a将其中1个点错误地归类了，这是因为我们这条线画的“不够好”，离样本点太近，导致对新来的点划分不够精确。直线b做得更好，是因为它离两边的点都比较远，因此更容易将新来的点划分正确。于是我们想到，最“中间”的直线是最合适的。也就是说，我们应该找到离两侧样本点簇都尽可能远的直线。用专业术语来表示的话，就是让这个分类器的margin最大。\n\n以上讨论的都是线性可分的情形。对于线性不可分的情况，SVM的解决方案是通过核函数进行空间变换，将低位空间投射到高位空间中去，使经过变换后的样本点实现线性可分。说起来可能有些玄幻，但这确实是可行的。\n\n人工智能与大数据技术导论\n\n172","previous_page":171,"next_page":173}