机器学习之svm专题

参考文章：

SVM如何用于回归分析

手把手教你实现SVM算法（一） 四颗星

LR与SVM的异同

支持向量机通俗导论（理解SVM的三层境界）（1000多个赞。。）

SVM模型主要问题

SVM要点：

 **距离度量**，**支持向量**，**损失函数**，**对偶问题**，**拉格朗日乘法**，**核函数**，**软间隔**

SVM算法的主要优点有：

  1) 解决高维特征的分类问题和回归问题很有效，在特征维度大于样本数时依然有很好的效果。

  2) 仅仅使用一部分支持向量来做超平面的决策，无需依赖全部数据。

  3) 有大量的核函数可以使用，从而可以很灵活的来解决各种非线性的分类回归问题。

  4) 样本量不是海量数据的时候，分类准确率高，泛化能力强。

SVM算法的主要缺点有：

  1) 如果特征维度远远大于样本数，则SVM表现一般。

  2) SVM在样本量非常大，核函数映射维度非常高时，计算量过大，不太适合使用。

  3) 非线性问题的核函数的选择没有通用标准，难以选择一个合适的核函数。

  4) SVM对缺失数据敏感。