SVM支持向量机的问题

目录

1 基本概念：

2 问题：

2.1 SVM的原理

2.2 SVM的核函数了解哪些？为什么要⽤核函数？

        2.2.2为什么要使用核函数？

2.3 SVM如何解决线性不可分问题？

2.4 SVM优化的⽬标是啥？SVM的损失函数，SVM的适⽤场景

2.5 SVM为什么要对偶(优化复杂度转变，核化)

2.6 LR和SVM介绍+区别，什么场景⽤SVM⽐较好

---

1 基本概念：

支持向量机（Support Vector Machine，SVM）是一种用于分类和回归问题的机器学习算法。它的主要目标是找到一个超平面，可以将不同类别的数据点分开，并且在所有可能的超平面中选择具有最大间隔（Margin）的那个，以提高模型的泛化能力。

1.1 SVM的原理

SVM学习的基本想法是求解能够正确划分训练数据集并且⼏何间隔最⼤的分离超平⾯。

假设我们有一个训练数据集：

• 输入特征：，其中每个是一个特征向量。
• 类别标签：，其中每个