机器学习模型之支持向量机

支持向量机（Support Vector Machine，SVM）是一种监督学习算法，用于分类和回归分析。它是由Cortes和Vapnik于1995年提出的。SVM在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。

目录

一、SVM的基本概念：

二、SVM的特点：

三、SVM的局限性：

四、SVM的python实现：

---

一、SVM的基本概念：

1. 超平面：

   • 在二维空间中，超平面是一条直线；在三维空间中，它是一个平面；在高维空间中，它是数据的线性分割。
   • SVM的目标是找到一个最优的超平面，这个超平面能够最好地将两类数据分开。

2. 间隔（Margin）：

   • 间隔是指超平面与最近的训练样本之间的距离。这个距离越大，分类器的泛化能力就越强。
   • SVM试图最大化这个间隔，因为这样可以增加模型对未知数据的预测能力。

3. 支持向量：

   • 支持向量是指那些影响到超平面位置的训练样本，即位于最大间隔边界上的样本点。
   • 这些样本点对模型的构建至关重要，因为它们决定了超平面的位置。