模式識別和機器學習的區別:
模式識別是特徵表示+人工總結特徵規律(即模式)描述
機器學習 是特徵表示+海量樣本=自己學習特徵
SVM相關
https://www.cnblogs.com/alan666/p/8311840.html
當C越大,越嚴格,容錯變小,泛化能力變小;當選擇高斯核函數的時候,隨時R參數調大,準確高提高,最終有過擬合風險。
SVM(Support Vector Machine)中文名爲支持向量機
https://blog.csdn.net/fuqiuai/article/details/79483057
感知器模型和邏輯迴歸:
邏輯迴歸(雖然稱作迴歸,但是不是一個迴歸方法,卻是一個分類算法。很蛋疼的說)將線性分類器的超平面方程計算結果通過logistic函數從正負無窮映射到0到1。這樣,映射的結果就可以認爲是分類器將x判定爲類別1的概率,從而指導後面的學習過程。
舉個例子,看天氣預報,用感知器的天氣預報只會告訴你明天要下雨(y=1),或者明天不下雨(y=-1);而用了邏輯迴歸的天氣預報就能告訴你明天有90%的概率要下雨,10%的概率不下雨。
我們認爲,已有的訓練數據中,每個元素距離分離超平面都有一個距離。在添加超平面的時候,儘可能的使最靠近分離超平面的那個元素與超平面的距離變大。這樣,加入新的數據的時候,分的準的概率會最大化。感知器模型和邏輯迴歸都不能很好的完成這個工作,該我們的支持向量機(support vector machine,SVM)出場了。
用一根線 就能把空間劃分開的分類 ,線性分類器。
https://blog.csdn.net/v_JULY_v/article/details/7624837
核函數 低維向高維映射的理解