“想象一下，我们正在开发一个基於支持向量机的图像识别系统，我们的目标是训练一个模型，能够准确地区分猫和狗的照片，在这个过程中，支持向量机算法会尝试找到一个最优分类超平面，将猫和狗的照片分开。”
“在训练模型时，支持向量机会考虑每个数据点也就是每张照片，到分类超平面的距离。”
“为了找到最优分类超平面，算法会最大化这些距离中的最小值，也就是所谓的间隔，这个间隔越大，模型的泛化能力通常就越好。”
“但是，我们还有一些额外的约束条件，b如我们希望模型在识别猫时不要太过於敏感，以免将一些看起来像猫的动物，老虎也会被误认为是猫，这些约束条件可以看作是原始问题中的一部分。”
“现在，我们引入拉格朗日乘子来将这些约束条件转化为对偶问题。”
“在对偶问题中，我们不再直接优化原始问题的目标函数，而是优化一个与拉格朗日乘子相关的函数，这样做的好处是，我们可以利用核技巧将输入数据映S到高维空间，从而更容易地找到最优分类超平面……”
讲了快半个小时後，柳思思终於懂了。
她惊讶地发现，周宇讲的很多内容涉及到了数学中的线X代数、泛函分析、拉格朗日乘数法等。
“学长，你数学应该很好吧？”
“你刚才讲的内容，我一个人看了两三天的书都没法弄明白这些cH0U象的东西，你讲起来倒是好理解多了。”
“我们老师说了，数学好的人学人工智能有优势，看来是真的了。”
内容未完，下一页继续阅读