本文详细探讨了支持向量机（SVM）的概念，包括线性可分SVM、对偶优化问题、软间隔最大化、核函数的应用以及多类分类策略。讲解了如何通过核函数解决非线性可分问题，并介绍了SVM在高维空间的优化。还探讨了SVM的多类分类方法，如"一对多"和"一对一"策略。最后，简要触及了KKT条件及其在SVM中的作用，以及再生核希尔伯特空间（RKHS）的相关概念。
机器学习算法与Python实践这个系列主要是参考《机器学习实战》这本书。因为自己想学习Python，然后也想对一些机器学习算法加深下了解，所以就想通过Python来实现几个比较常用的机器学习算法。恰好遇见这本同样定位的书籍，所以就参考这本书的过程来学习了。
在这一节我们主要是对支持向量机进行系统的回顾，以及通过Python来实现。由于内容很多，所以这里分成三篇博文。第一篇讲SVM初级，第二篇讲进阶，主要是把SVM整条知识链理直，第三篇介绍Python的实现。SVM有很多介绍的非常好的博文，具体可以参考本文列出的参考文献和推荐阅读资料。在本文中，定位在于把集大成于一身的SVM的整体知识链理直，所以不会涉及细节的推导。网上的解说的很好的推导和书籍很多，大家可以进一步参考。
目录
一、引入
订阅专栏 解锁全文
扫一扫
5716
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
