hyperplane

Support vector classification (SVC) (Cortes and Vapnik, 1995) is a method for supervised learning consisting on the separation of two classes by means of a hyperplane in feature space. By construction, SVC attempts to find the optimal separating hyperplane, defined as that which maximizes its distance to the closest point in the training set (margin). In its original formulation, support vector machines for classification can only be applied to non-probabilistic binary decision problems, as opposed to support vector regression (SVR). In the following, we will use the term SVM in the sense of the former (SVC).

Unterstützung-Vektor-Klassifikation (SVC) (Cortes und Vapnik, 1995) ist ein Methode für betreutes lernen bestehend zur Trennung von zwei Klassen durch eine Hyperebene im Feature-Raum. Durch Bau, SVC sucht nach der optimalen trennende Hyperebene, definiert als das, die was seine Entfernung zu den nächsten Punkt in der Ausbildung maximiert Satz (Marge). Unterstützen Sie in seiner ursprünglichen Formulierung Vektor-Maschinen für Klassifikation kann nur angewendet werden, nicht-probabilistische binäre Entscheidung Probleme, im Gegensatz zur Unterstützung Vektor Regression (SVR). Im folgenden Wir verwenden den Begriff SVM im Sinne der ehemaligen (SVC).

Figure 1.1: Epigraph of a function Figure 1.2: Supporting Hyperplane

Abbildung 1.1: Epigraph einer Funktion Abbildung 1.2: Unterstützung von Hyperplane

by a hyperplane

durch eine Hyperfläche

Find a hyperplane such that the errors are small.

Finden Sie eine Hyperfläche, so dass die Fehler klein sind.