1. Support Vector Machines
支持向量机(SVM)是一组用于分类(classification), 回归(regression)和异常值检测(outliers detection)的监督学习方法。
支持向量机的优点是:
- 在高维空间有效。
- 在维度数量大于样本数量的情况下仍然有效。
- 在决策功能(称为支持向量)中使用训练点的子集,因此它也是内存有效的。
- 多功能:可以为决策功能指定不同的内核函数。提供通用内核,但也可以指定自定义内核。
支持向量机的缺点包括:
- 如果特征数量远远大于样本数量,则该方法可能会导致较差的性能。
- 支持向量机不直接提供概率估计,这些是使用昂贵的五-折交叉验证计算的(参见下面的分数和概率)。
- linear: ⟨x,x′⟩
- polynomial: (γ⟨x,x′⟩+r)d,
- rbf: exp(−γ||x−x′||2), <