TensorFlow机器学习实战指南

(副标题)：无 ;

(作者): Nick McClure ;

内容简介：

​ 4.1　支持向量机简介
支持向量机算法是一种二值分类器方法（见图4-1）。基本的观点是，找到两类之间的一个线性可分的直线（或者超平面）。首先假设二分类目标是-1或者1，代替前面章节中的0或者1目标值。有许多条直线可以分割两类目标，但是我们定义分割两类目标有最大距离的直线为最佳线性分类器。
得到一个超平面，公式如下：

图4-1　假设两类分离的目标，“o”和“x”，找到两类目标间的线性分类器等式。左边显示有许多条线分离两类目标；右边显示最大间隔的直线，此时为最小化系数A的L2正则
其中，A是斜率向量，x是输入向量。最大间隔的宽度为2除以A的L2范数。对于这个公式有很多种证明方式，但是，从几何观点来看，这是二维数据点到一条直线的垂直距离。
对于线性可分的二值分类数据集，为了最大化间隔，我们最小化A的L2范数||A||。最小化也必须服从以下约束：

上述的约束确保所有相关分类的数据点都在分割线的同一侧。
因为不是所有的数据集都是线性可分的，我们引入跨分割线的数据点的损失函数函数。对于n个数据点，引入soft margin损失函数，公式如下：

注意，如果数据点分割正确，乘积yi（Axi-b）总是大于1。这意味着损失函数左边项等于0，这时对损失函数有影响的仅仅只有间隔大小。
上述损失函数寻求一个线性可分的直线，但是也允许有些点跨越间隔直线，这取决于a值，当a值很大，模型会倾向于尽量将样本分割开；a值越小，会有更多的跨越边界的点存在。
在本章中，将建立一个soft margin支持向量机，展示如何将其扩展应用到非线性的场景和多分类目标。

目录预览：

​ TensorFlow机器学习实战指南
第1章 TensorFlow基础
1.1 TensorFlow介绍
1.2 TensorFlow如何工作
1.2.1 开始
1.2.2 动手做
1.2.3 工作原理
1.2.4 参考
1.3 声明张量
1.3.1 开始
1.3.2 动手做
1.3.3 工作原理
1.3.4 延伸学习
1.4 使用占位符和变量
1.4.1 开始
1.4.2 动手做
1.4.3 工作原理
1.4.4 延伸学习
1.5 操作（计算）矩阵
1.5.1 开始
........