一、 线性可分(Linear Separable)
- 如图,假设特征空间是二维的,每个训练样本分布在如图所示的特征空间中;
- 二分类问题;
- 这个训练样本集是线性可分的,也就是说有一条直线可以把○和×分开;
- 当特征空间为二维时,划分○和×是一条直线;
- 当特征空间为三维时,分割○和×是平面;
- 在特征空间是大于等于四维时,分割○,×为超平面(Hyperplane);
- 由于人眼对空间的感知仅限于三个维度,我们无法直观地画图。在四维及以上的情况下,表示线性可分和线性不可分。这时候,我们用数学;
二、线性不可分(NonLinear Separable)
线性不可分是指不存在可以将训练样本集(不同类别)分开的直线;
3.在这个例子的基础上,用数学来理解线性可分和线性不可分
- x1, x2 表示两个维度;
- 同时假设在特征空间上分布着一些训练样本,两个类别 ○(c1表示)与 ×(c2表示);
- 在这个二维特征空间中,○和×的分布如上图;
- 我们可以用这个求一条直线,如图,分开○和×;
- 上面的设置都被认为是指定的,也可以是这样的;
1. 用数学严格定义训练样本以及他们的标签
- 线性可分的严格定义:一个训练样本集{(X1, y1), … , (XN, yN)},在 i = 1 ~ N线性可分,是指存在(w1, w2, b),使得对i = 1 ~ N,有:
2. 用向量形式来定义线性可分
- 若yi = +1 或 -1,一个训练样本集{(Xi, yi)}, 在i = 1 ~ N线性可分,是指存在(w, b),使得对i = 1 ~ N ,有:
版权声明:本文为博主郑师傅炒板栗原创文章,版权归属原作者,如果侵权,请联系我们删除!
原文链接:https://blog.csdn.net/weixin_43306271/article/details/123188037