本文介绍了SVM（支持向量机）的基本原理，它通过寻找最大边际的决策边界来处理二分类问题，以降低泛化误差。在几何意义上，SVM尝试找到最能将两类数据分开且距离最近样本最远的超平面。文章通过实例解释了如何通过最大化边际来减少过拟合，并指出在未知数据集上，具有更大边际的决策边界表现更好。SVM在基于EEG的疾病检测等领域展现出优秀性能。
学习视频地址：
https://www.bilibili.com/video/av38543231?from=search&seid=6836392981807143340
SVM即最大间隔感知机，该方法主要尝试最大化分类间隔的超平面，根据
容忍度这一参数确定分类超平面对于处于分类边界点的敏感度，这样一些处于分
类超平面间隔内的点就会被视为噪声点被湮没掉，有效防止过拟合的产生。
SVM尤其适合二分类问题，在一些基于 EEG 的疾病发作检测[49]上达到了很好的效果。
SVM是从数学推导出的模型
（1）如何工作
如下图，这是一组两种标签的数据，两种标签分别由圆和方块代表。支持向量机的分类方法，是在这组分布中找出一个超平面作为决策边界，使模型在数据上分类误差尽量接近于小，尤其是在未知数据集上的分类误差（泛化误差）尽量小。
注：超平面：在几何中，超平面是一个空间的子空间&
最低0.47元/天 解锁文章
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
