支持向量机中的“支持”是什么意思？

Question

这个词的含义是什么＆＃34;支持＆＃34;在支持向量机的背景下，这是一种监督学习模型？

Answer 1

从维基百科复制粘贴：

使用两个类的样本训练的SVM的最大边距超平面和边距。 边距上的样本称为支持向量。

Answer 2

在SVM中，所得到的分离超平面归因于数据特征向量的子集（即，它们的相关拉格朗日乘数大于0的子集）。这些特征向量被命名为支持向量，因为直观地说，你可以说它们“支持”分离超平面，或者你可以说，对于分离超平面，支持向量与建筑物的支柱起着相同的作用。

现在正式地解释Bernhard Schoelkopf和Alexander J. Smola的书“用内核学习”第6页：

“在唯一最优超平面的搜索过程中，我们考虑具有法向量w的超平面，其可以表示为训练模式的一般线性组合（即，具有非均匀系数）。例如，我们可能想要消除距离决策边界很远的模式的影响，因为我们期望它们不会改善决策函数的泛化误差，或者因为我们希望降低评估决策函数的计算成本。然后，超平面将仅依赖于称为支持向量的训练模式的子集。“

也就是说，分离超平面取决于那些训练数据特征向量，它们影响它，它基于它们，因此它们支持它。

Answer 3

在内核空间中，表示分离超平面的最简单方法是到数据实例的距离。这些数据实例称为“支持向量”。

内核空间可能是无限的。但只要您可以计算内核与支持向量的相似性，就可以测试超平面的哪一侧是对象，没有实际知道这个无限维超平面的样子。

在2d中，你当然可以为超平面生成一个方程。但除了理解SVM之外，这并没有带来任何实际好处。