基礎:平面方程
在空間座標系內,平面的方程均可用三元一次方程Ax+By+Cz+D=0來表示。
一、截距式
設平面方程爲Ax+By+Cz+D=0,若D不等於0,取a=-D/A,b=-D/B,c=-D/C,則得平面的截距式方程:
x/a+y/b+z/c=1 [1] 它與三
座標軸的
交點分別爲P(a,0,0),Q(0,b,0),R(0,0,c),其中,a,b,c依次稱爲該平面在x,y,z軸上的
截距。
二、點法式
n爲平面的法向量,
n=(A,B,C),M,M'爲平面上任意兩點,
則有n·MM'=0,
MM'=(x-x0,y-y0,z-z0),
從而得平面的點法式方程:
A(x-x0)+B(y-y0)+C(z-z0)=0 [1]
兩平面互相垂直相當於A1A2+B1B2+C1C2=0
兩平面平行或重合相當於A1/A2=B1/B2=C1/C2
點到平面的距離=abs(Ax0+By0+Cz0+D)/sqrt(A^2+B^2+C^2) 求解過程:面內外兩點連線在法向量上的映射Prj(小n)(帶箭頭P1P0)=數量積
點到平面距離的證明過程:
三、一般式
Ax+By+Cz+D=0 [1] ,其中A,B,C,D爲已知常數,並且A,B,C不同時爲零。
四、法線式
xcosα+ycosβ+zcosγ=p [1] ,其中cosα、cosβ、cosγ是平面法矢量的
方向餘弦,p爲原點到平面的距離。
支持向量機
1.基礎概要
支持向量機(support Vector Machine,SVN)是一種有監督的分類算法,通過探求風險最小來提高學習機的泛化能力,實現經驗風險和置信範圍的最小化。
求解目標:求得一個最優超平面
其中W是超平面的法向量,決定了超平面的方向,b是位移項,決定了超平面到原點的距離。顯然,超平面可以被W和b確定。樣本空間任意一點到超平面的距離爲W*X+B/||W||(點到距離的公式前面已經證明了)
如何求最優超平面(最大間隔分離超平面)?
基於目標函數和約束條件,定義拉格朗日函數: