支持向量機和線性判別函數(shù)的區(qū)別？F（x）是一個值為1和-1的函數(shù)。SGN代表標志。如果括號內(nèi)大于0，則取1；如果小于0，則取-1括號內(nèi)的部分是一個線性函數(shù)，滿足兩類訓(xùn)練數(shù)據(jù)之間的最大距離。具體表達式是

支持向量機和線性判別函數(shù)的區(qū)別？

F（x）是一個值為1和-1的函數(shù)。SGN代表標志。如果括號內(nèi)大于0，則取1；如果小于0，則取-1

括號內(nèi)的部分是一個線性函數(shù)，滿足兩類訓(xùn)練數(shù)據(jù)之間的最大距離。具體表達式是通過一些優(yōu)化算法得到的

下面畫的B*是線性函數(shù)的常數(shù)項，w*是超平面X的法向量，X-分別是這兩類中所謂的“支持向量”。事實上，SVM不難找到兩種數(shù)據(jù)之間間隔最大的超平面，然后結(jié)合一些數(shù)學(xué)工具發(fā)展出一套理論，Vapnik

單層感知器只有線性表達的能力，而多層感知器，加上非線性激活函數(shù)，具有非線性表達能力。

支持向量機的線性核只能用于線性可分樣本，而非線性核具有非線性擬合能力。

事實上，感知器和支持向量機本質(zhì)上只能對線性可分數(shù)據(jù)進行分類。

多層感知器前面的L-1層可視為“特征提取”過程。將線性不可分原始數(shù)據(jù)映射到線性可分特征空間。

支持向量機的非線性核是相同的，相當于將原始數(shù)據(jù)映射到希爾伯特空間。

特征提取的非線性擬合過程可以通過其他方式進行（如深度神經(jīng)網(wǎng)絡(luò)）。

感知器（perceptron）和支持向量機（svm）只能用于線性可分的樣本嗎？