支持向量机(SVM)是一种监督学习模型，用于分类和回归分析。它通过找到最大化间隔的超平面来区分不同类别，支持线性和非线性分类。SVM的应用包括文本分类、图像识别和生物信息学等领域。优化问题通常通过次梯度下降或坐标下降法解决，而核技巧允许处理非线性问题。SVM的优点包括解决小样本、非线性问题及高维数据，但也有如需要完全标记数据、难以解释模型参数等缺点。
介绍
在机器学习中，支持向量机（英语：support vector machine，常简称为SVM，又名支持向量网络[1]）是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。
应用
- 用于文本和超文本的分类.
- 用于图像分类。
- 用于手写字体识别。
- 用于医学中分类蛋白质，超过90%的化合物能够被正确分类.
线性SVM
硬间隔：
最大间隔超平面完全是由最靠近它的那些
最低0.47元/天 解锁文章
1018
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
