TML001｜凸包和凸組合在機器學習中的應用：簡單解析

你知道「凸組合」和「凸包」在機器學習中有多重要嗎？許多演算法都依賴它們來提升效能。接下來簡單介紹它們的幾個應用：

▌線性模型

在**線性回歸**中，特徵的加權組合若限制為「非負且和為1」，就是凸組合。這可以讓模型結果更穩定。

▌集成學習

**集成學習**透過多個模型的預測加權組合來提升準確度，這也是凸組合的典型應用。

▌支持向量機（SVM）

**SVM**依靠「支持向量」來決定分類邊界，而這些向量的組合也是凸組合，提升了分類精度。

▌K-Means 聚類

每個簇的中心點是數據點的平均值，這是凸組合的應用，確保中心點在數據的凸包內。

▌生成模型

例如**高斯混合模型（GMM）**，透過多個高斯分佈的加權組合，捕捉數據的複雜結構。

凸組合和凸包是許多機器學習算法的數學基礎，助你做出更穩定的預測。