支持向量机理论概述

支持向量机的理论最初来自与对数据二值分类问题的处理。其处理机制可简单地描述为：寻找一个满足分类要求的最优分割超平面，使其在保证分类精度的问题同时最大化超平面两侧的空白区域，这使得SVM分类器的结果不仅在训练集上得到优化，而且在整个样本集上的风险也拥有上界，这就是Svmde结构风险最小化的理想，在线性不可分割的问题上，Vapnik等人成功地引入核空间理论，将低维的输入空间数据通过非线性映射函数映射到高维属性空间，从而把分类问题转化为高维属性空间，从而把分类问题转化到高维属性空间进行，可以证明，如果选用适当的映射函数，大多数输入空间线性不可分问题在属性空间可以转化为线性可分问题，这一问题的解决，使得SVM分类器正式成为通用分类器之一。