2016328

昨天在搜关于SVM(支持向量机Support Vector Machine)在知乎介绍的关于其基础：

一般做分类比较重要的有三个步骤，每一步都对分类结果有很大的影响
1.找到合适的特征，举个栗子，例如题主的年龄估计，可以对图像进行预处理二值化(对图像分类这步很重要), 之后取横向的线的数目作为一个特征(纯属猜测，不确定这个特征是否有效),把很多个特征组成一个特征向量
2.选择合适的分类器，常用的分类器有SVM,LR,ANN等，对不同场景使用合适的分类器,上面有朋友提到LR，当然LR比较简单而且速度快，目前实际应用很多公司也是以LR为主。但并不是说其他分类器不好，SVM和ANN在很多场景下正确率也很高，甚至优于LR。但是因为调参比较困难和不容易理解(意思是很难从训练结果中找到事物间的规律,很多时候我们还想知道是怎么得出这个结果的)，导致实际生产中使用较小
3.调参，很多分类器都有参数，例如SVM的选核，设定容错等。这些参数的设定对结果有很大影响。
最后针对题主的分类器是如何训练来简单说说
SVM的训练结果实际就是找到一个超平面，将不同的样本分开，以两个特征的二分类来说明比较容易理解

SVM训练的结果就是找到图中的那条线，使用的时候，就是判断样本在线的那一边。当然这是一个为了理解的最简单的特例。
Machine Learning新手一枚，如有错漏请指教


作者：匿名用户
链接：http://www.zhihu.com/question/29647959/answer/79933450
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。