SVM

SVM做图像识别准确率能达到八十几
损失函数就是到分割超平面的距离

SVM 核函数概念简介：
https://blog.csdn.net/Wisimer/article/details/89573319?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522158511433319724811849788%2522%252C%2522scm%2522%253A%252220140713.130056874…%2522%257D&request_id=158511433319724811849788&biz_id=0&utm_source=distribute.pc_search_result.none-task
下面是吴恩达的见解：

1. 如果Feature的数量很大，跟样本数量差不多，这时候选用LR或者是Linear Kernel的SVM
2. 如果Feature的数量比较小，样本数量一般，不算大也不算小，选用SVM+Gaussian Kernel
3. 如果Feature的数量比较小，而样本数量很多，需要手工添加一些feature变成第一种情况

libsvm提供了下列几个核函数：
linear:u’v
polynomial:(gammau’v + coef0)^degree
radial basis:exp(-gamma|u-v|^2)
sigmoid:tanh(gamma*u’*v + coef0)

代码：
https://www.cnblogs.com/albert-yzp/p/9525162.html
SVM中gridSearch 找出参数最优
https://blog.csdn.net/u012879957/article/details/82459315