Câu trả lời:
Tôi nghĩ rằng máy vectơ hỗ trợ cơ bản có nghĩa là SVM lề cứng. Vì vậy, hãy xem lại:
Nói tóm lại, chúng tôi muốn tìm một siêu phẳng có lề lớn nhất có thể phân tách tất cả các quan sát một cách chính xác trong không gian mẫu đào tạo của chúng tôi.
Với định nghĩa trên, vấn đề tối ưu hóa mà chúng ta cần giải quyết là gì?
max(margin)
margin
và cũng thỏa mãn ràng buộc: Không có lỗi trong mẫuQuay lại câu hỏi của bạn, vì bạn đã đề cập đến tập dữ liệu huấn luyện không thể phân tách tuyến tính, bằng cách sử dụng SVM lề cứng mà không cần chuyển đổi tính năng, không thể tìm thấy bất kỳ siêu phẳng nào thỏa mãn "Không có lỗi trong mẫu" .
Thông thường, chúng tôi giải quyết vấn đề tối ưu hóa SVM bằng Lập trình bậc hai, bởi vì nó có thể thực hiện các nhiệm vụ tối ưu hóa với các ràng buộc. Nếu bạn sử dụng Gradient Descent hoặc các thuật toán tối ưu hóa khác mà không đáp ứng các ràng buộc của SVM lề cứng, bạn vẫn sẽ nhận được kết quả, nhưng đó không phải là một siêu phẳng SVM có biên độ cứng.
Nhân tiện, với dữ liệu phân tách phi tuyến tính, thông thường chúng ta chọn