文章探讨了支持向量机（SVM）在机器学习中的作用，特别是在深度学习时代作为基准模型的地位。尽管SVM具有良好的通用性，但在精度上可能不敌深度神经网络。然而，有创新研究将深度学习（如CNN）与SVM结合，用于调制识别等领域，展现出优秀性能。
第六章
第六章[1]介绍了支持向量机，包括间隔与支持向量、对偶问题、核函数、软间隔与正则化、支持向量回归。在深度学习时代，SVM方法常被用来当作对比的baseline，一般SVM方法的通用性很好，但精度不如现在的深度神经网络。在调制识别领域，有一些创新就是将深度学习和传统的SVM结合起来[2]，实现了不错的性能。
致谢
[1] 周志华. 《机器学习》[J]. 中国民商, 2016, 03(No.21):93-93.
[2] Agarap A F. An architecture combining convolutional neural network (CNN) and support vector machine (SVM) for image classification [J]. arXiv preprint arXiv:1712.03541, 2017.
12万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
