使用 libsvm 的最大边距线性分隔符
max-margin linear separator using libsvm
我有一组带有 +/- 标签的 N 个数据点 X，我想为其计算最大边距线性分隔符（也称为分类器、超平面），或者如果不存在这样的线性分隔符则失败。
我不想在这个问题的上下文中避免过度拟合，就像我在其他地方所做的那样。所以没有松弛变量；没有交叉验证；支持向量的数量没有限制；只找到最大边距分隔符或失败。
如何使用 libsvm 执行此操作？我相信你不能在 C-SVM 中给出 c=0，也不能在 nu-svm 中给出 nu=1。
相关问题（我认为没有提供答案）：
Which of the parameters in LibSVM is the slack variable?
在 C-SVM 的情况下，您应该使用线性内核和非常大的 C 值（或 nu = 0.999...对于 nu-SVM）。如果你对这个设置仍然有懈怠，可能你的数据不是线性可分的。
快速解释：C-SVM 优化函数试图同时找到具有最大间隔和最低误分类成本的超平面。 C-SVM 公式中的误分类成本定义为：从误分类点到超平面正确一侧的距离乘以 C。如果增加 C 值（或 nu-SVM 的 nu 值），每个误分类点都会成本太高，完美分离数据的超平面将更适合优化函数。
我有一组带有 +/- 标签的 N 个数据点 X，我想为其计算最大边距线性分隔符（也称为分类器、超平面），或者如果不存在这样的线性分隔符则失败。
我不想在这个问题的上下文中避免过度拟合，就像我在其他地方所做的那样。所以没有松弛变量；没有交叉验证；支持向量的数量没有限制；只找到最大边距分隔符或失败。
如何使用 libsvm 执行此操作？我相信你不能在 C-SVM 中给出 c=0，也不能在 nu-svm 中给出 nu=1。
相关问题（我认为没有提供答案）： Which of the parameters in LibSVM is the slack variable?
在 C-SVM 的情况下，您应该使用线性内核和非常大的 C 值（或 nu = 0.999...对于 nu-SVM）。如果你对这个设置仍然有懈怠，可能你的数据不是线性可分的。
快速解释：C-SVM 优化函数试图同时找到具有最大间隔和最低误分类成本的超平面。 C-SVM 公式中的误分类成本定义为：从误分类点到超平面正确一侧的距离乘以 C。如果增加 C 值（或 nu-SVM 的 nu 值），每个误分类点都会成本太高，完美分离数据的超平面将更适合优化函数。