本文是个人学习笔记,该篇主要学习SVM算法概念,并应用sklearn.svm算法包解决Kaggle入门级Digit Recognizer。
SVM 简述
之前参考学习很多大小牛的总结,发现对SVM理论的阐述主要还是结合数学上的推导过程。这种方式必然是严谨并且如果完整验证也有助于更通透的理解SVM机制。但对于只想理解核心概念并侧重应用上来说,则内容会有些过于庞大。因此为了方便自己学习,本文简化对SVM机制的描述,只阐述核心概念而忽略数学推导。
经典SVM思想
简而言之,SVM的训练目标就是获得一个分割超平面, 而该平面是分类决策边界,平面两边分别代表两类。因此,经典SVM算法只适用于两类分类问题。
SVM确定超平面的方式是实现距离超平面最近的点到超平面的距离最大。
图示:
SVM 线性不可分
经典SVM的应用前提之一就是待分类点是线性可分的,但实际则更多存在线性不可分,如下图示。
图示: