【数据挖掘·总复习】第七章||支持向量机||SVM

step by step.

目录

1. 支持向量机

（1）SVM算法

 （2）VC维

2. 支持向量机原理

（1）线性可分

（2）线性不可分

3. 支持向量机算法流程

4. SVM算法特点

（1） 优点

（2） 缺点 

---

要看具体章节复习汇总请见👇

【scau数据挖掘·总复习】博客汇总||第一章~第九章+密度聚类_半段烟y9的博客-CSDN博客step by step.目录第二章第三章第四章第五章第六章第七章第八章、第九章、补充知识第二章【数据挖掘·总复习】第二章-数据预处理||详细整理||知识点+例题||考点有_半段烟y9的博客-CSDN博客详细复习资料https://blog.csdn.net/weixin_51159944/article/details/120444098第三章【数据挖掘·总复习】第三章-关联规则挖掘||Apriori||详细整理||知识点+例题||考点有_半段烟y9的博https://blog.csdn.net/weixin_51159944/article/details/122111501

自己辛苦总结的，点个赞鼓励一下啦~

---

1. 支持向量机

（1）SVM算法

建立在结构风险最小化原理的基础上。

SVM 主要针对小样本数据进行学习、分类和预测（有时也叫回归）的一种方法，能解决神经网络不能解决的 过学习问题。

 （2）VC维

在r 维空间中，线性决策面的VC维为r+1。

---

2. 支持向量机原理

是在统计学习理论的VC维理论和结构风险最小原理的基础上发展起来的一种新的机器学习方法。

（1）线性可分

（2）线性不可分

---

3. 支持向量机算法流程

---

4. SVM算法特点

（1） 优点

非线性映射；

最大化分类边际的思想是SVM方法的核心；

支持向量是SVM的训练结果，在SVM分类决策中起决定性作用的是支持向量；

最终决策只由少数的支持向量确定；

抓住关键样本。

（2） 缺点 

对大规模训练样本难以实施。

用SVM无法解决多分类问题