以通俗简介的方式,从浅入深介绍SVM原理和代码流程 让你从此不再惧怕SVM
01_SVM之回顾梯度下降原理
02_SVM之回顾有约束的最优化问题
03_SVM之回顾有约束的最优化问题-KKT几何解释
04_SVM之回顾有约束的最优化问题-KKT数学解释
05_SVM之回顾距离公式和感知器模型
06_SVM之感知器到SVM的引入
07_SVM之线性可分时损失函数的表示
08_SVM之线性可分时损失函数的求解-对w,b变量求偏导
09_SVM之线性可分时损失函数的求解-对β变量求解.
10_SVM之线性可分时算法整体流程
11_SVM之线性可分时案例
12_SVM之线性不可分时软间隔介绍
13_SVM之线性不可分时软间隔优化目标
14_SVM之线性不可分时软间隔算法整体流程
15_SVM之线性不可分时数据映射高维解决不可分问题
16_SVM之线性不可分时核函数引入
17_SVM之线性不可分时核函数讲解
18_SVM代码之线性可分时和Logistic回归比较
19_SVM代码之基于鸢尾花数据多分类参数解释
20_SVM代码之基于鸢尾花数据网格搜索选择参数
21_SVM代码之不同分类器,核函数,C值的可视化比较
22_SVM之回归方式SVR
23_SVM代码之SVR解决回归问题
24_SVM之SMO思想引入
25_SVM之SMO案列讲解
代码部分:
资料部分: