次梯度 svm 和内核 svm 有什么区别？
据我了解，次梯度 svm 是一个使用铰链损失的线性分类器，而内核 svm 使用一些核函数进行非线性分类。我想知道，如果次梯度只是一个线性分类器，我可以使用非线性支持向量机树来分离非线性数据吗？我基本上会做二进制分类，将 1 个类与其余类分开，然后树的子节点将处理其余部分并将下一个类与其余类分开，依此类推。任何一般的想法或反馈都会很棒。
次梯度 SVM 和核 SVM 的区别？
数据挖掘
机器学习
2022-02-26 17:47:50
1个回答
您严重误解了 SVM。支持向量机的次梯度下降算法是解决支持向量机底层优化问题的一种方法。
SVM 始终是一个线性分类器，它还可以通过使用内核在更高维空间中运行。因此，在输入空间中，在特征空间（内核！）中计算的分离超平面（线性！）似乎是非线性的。
实际上，您正在解决非线性分类任务，但您正在投影到更高维的特征空间，其中分类任务由线性分类器解决。
请阅读：
请观看：