独家 | 支持向量机背后的数学 -对于SVM背后的数学和理论解释的快速概览及如何实现...

作者：Daksh Trehan

翻译：郑沛

校对：孙韬淳

本文长度为2800字，建议阅读10分钟

本文为大家介绍支持向量机方面的知识。

标签：支持向量机 数学

支持向量机（SVM）是每位机器学习专家都应该在自己的知识库中储备的一种简单的算法。支持向量机（SVM）受到很多人的高度青睐，因为它需要较少的计算量，但能数据准确度相当不错。支持向量机（SVM）可以用于回归和分类任务。

目录

• 支持向量机（SVM）介绍

• 支持向量机（SVM）是怎么工作的

• 处理异常值

• PEGASOS法

• 非线性回归分类

• 支持向量机（SVM）的优劣

• 可视化支持向量机（SVM）

• 支持向量机（SVM）的应用

 

支持向量机（SVM）介绍支持向量机（SVM）是功能强大的分类器，可同时处理线性和非线性数据。如果是n维空间，则超平面的维数将为（n-1）。

（左图：在R2超平面的一根线；右图：在R3超平面的一个平面）

支持向量机（SVM）的目标是找到一个最佳的超平面来划分我们的数据，从而使一个空间最近点到它自己的距离最大。

（上图注释：最优超平面：Optimal hyperpline；最大间隔：Maximum margin）

简单说，考虑一条道路，它将左右两侧的汽车、建筑物和行人分开，并尽可能使车道最宽。那么，那些真正靠近道路的那些汽车、建筑物就是支持向量。

这解释了SVM是如何工作的。

支持向量机（SVM）是如何工作的？

• 目标：找到最佳的超平面

（上图注释：我们把数据分为两类（正类positive class和负类negative class），x为数据，y为数据的标签，和类别对应；由图中看很明显啦，