第10章 模式识别的理论与方法（第3讲） - 图文

设：线性可分样本为

?xi,y，i?i=1，…，n，x?Rdy???1,?1?是类别标号。d维空间中线性判别函数

的一般形式为g?x??w?x?b，分类面方程为：

w?x?b?0(10－161)

将判别函数归一化，使两类所有样本都满足，g?x??1这样，离分离面最近的样本的g?x??1这样分类间隔就等于2w等价于使ω（或）ω2，因此，间隔最大最小；

而要求分类线对所有样本正确分类，就是要求它满足

yi??w?xi??b??1?0i=1，2，…，n

因此，满足上述条件且使

ω2(10－162)

最小的分类面就是最优分类面。

?过两类样本中离分类面最近的点且平行于最优分类面的超平面H1、H2上的训练样本就是式(10－162)中使等号成立的那些样本，它们叫做支持向量（Support Vectors）。