写在前面:
目前许多专业在做分类问题时都选择线性回归模型进行研究,比如技术经济与管理专业、工商管理专业、会计等。
这些专业的硕士论文中所表现出了的数据条数基本保持在200~300条左右,数据量并不高,相比较于线性回归模型而言,SVM模型在小样本的分类预测上精度更明显(但是SVM的缺点是运行速度慢),所以本文对支持向量机模型进行介绍。
什么是支持向量机SVM?
支持向量机(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)。
SVM与SVR的区别
很多人也有听过SVR(Support Vector Regression)模型即支持向量机回归,那么二者的区别是什么?
区别就是:一个是分类,一个是回归啊!没错,就是这么浅显的区别。
分类和回归的区别是什么?
很多童鞋对这方面应该很清楚,分类模型输出类别,回归输出数值。