AI 詞彙表
人工智能完整詞典
最优超平面
在高维空间中的决策边界，它最大化最近类别之间的距离，从而确保对数据进行最佳分离。
支持向量
位于定义最优超平面的边界上的训练点，这些关键点决定了决策边界的位置和方向。
最大间隔
决策超平面与每个类别中最近的训练点之间的距离，SVM算法试图最大化该距离以提高泛化能力。
核函数
一种数学函数，它在不进行显式变换的情况下，将数据隐式地转换到更高维的空间中，从而实现对非线性数据的线性分离。
线性SVM
SVM的一种变体，它使用线性超平面来分离类别，当数据在其原始空间中线性可分时特别有效。
非线性SVM
SVM的扩展，它使用核函数将数据投影到更高维的空间，在该空间中数据变得线性可分。
松弛变量
允许某些点违反间隔约束的松弛变量，使模型在面对噪声或不可分数据时更加鲁棒。
超参数C
一个正则化参数，用于控制最大化间隔和最小化分类错误之间的权衡，它决定了违反间隔的惩罚程度。
单类SVM
SVM的一种变体，用于异常检测，算法学习正常数据周围的边界来识别异常观测值。
SVR（支持向量回归）
SVM在回归问题中的适应版本，寻求找到一个与目标值偏差不超过epsilon值同时尽可能平坦的函数。
对偶公式
SVM优化问题的替代数学表示，仅依赖于观测值之间的点积，便于使用核函数。
特征空间
通过将核函数应用于原始数据而获得的转换后的高维空间，其中数据可以线性分离。
多类SVM
二元SVM的扩展，用于处理多类分类问题，通常通过一对一或一对多策略实现。
RBF核
基于高斯径向基函数的核函数，将数据映射到无限维空间，是非线性SVM中最流行的核函数之一。
SMO（序列最小优化）
用于解决SVM对偶问题的高效优化算法，通过成对迭代优化拉格朗日乘子来降低计算复杂度。
多项式核
计算向量在多项式特征空间中点积的核函数，能够捕获高阶非线性关系。
软间隔
支持向量机（SVM）的一种扩展，它通过引入松弛变量允许对间隔约束的某些违反，使模型在面对噪声或重叠数据时更具灵活性。
Gamma (γ)
RBF和多项式核函数的超参数，用于控制单个训练样本的影响范围，从而决定决策边界的灵活性。