sklearn svm如何选择核函数_SVM——Sklearn库实现

SVM简介输入输出适用的数据集说明SVM(支持向量机)训练数据集识别结果小样本、非线性及高维、超高维模式识别问题中有优势；就算数据在原特征空间线性不可分，只要给个合适的核函数，它就能运行得很好基于分类边界的方法：将低维空间的点映射到高维空间，使它们成为线性可分，再使用线性划分的原理来判断分类边界。内存消耗大，难以解释，运行和调参麻烦。

能够处理非线性特征的相互作用；无需依赖整个数据；可以提高泛化能力。

当观测样本很多时，效率并不是很高；对非线性问题没有通用解决方案，有时候很难找到一个合适的核函数；对缺失数据敏感。

[1] 给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。

[2] 除了进行线性分类之外，SVM还可以核技巧有效地进行非线性分类，将其输入隐式映射到高维特征空间中。当数据未被标记时，不能进行监督式学习，需要用非监督式学习，它会尝试找出数据到簇的自然聚类，并将新数据映射到这些已形成的簇。将支持向量机改进的聚类算法被称为支持向量聚类，当数据未被标记或者仅一些数据被标记时，支持