本文对比了支持向量机（SVM）与K近邻（KNN）两种机器学习算法。SVM通过训练得到超平面进行高效分类，适合高维数据，而KNN依赖于所有训练样本进行距离计算，预测效率较低。SVM的目标是找到最佳决策边界，以最大化间隔。高斯核函数是SVM中常用的核函数，具有良好的局部性和抗噪能力。
一、区别
SVM
KNN
SVM：先在训练集上训练一个模型，然后用这个模型直接对测试集进行分类。
KNN：没有训练过程，只是将训练数据与训练数据进行距离度量来实现分类。
SVM：训练完直接得到超平面函数，根据超平面函数直接判定预测点的label，预测效率很高
KNN：预测过程需要挨个计算每个训练样本和测试样本的距离，当训练集和测试集很大时，预测效率低。
SVM：SVM是要去找一个函数把达到样本可分。
KNN：KNN对每个样本都要考虑。
SVM：SVM处理高纬度数据比较优秀
KNN：KNN不能处理样本维度太高的东西
二、SVM原理
支持向量积
支持向量
选出最好的决策边界
决策边界要大的，宽的道路行动更快
支持寻找向量
支持向量要小的，考虑自己最近的雷才最安全
最低0.47元/天 解锁文章
扫一扫
1263
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
