本文介绍了支持向量机（SVM）作为机器学习中的分类算法，详细阐述了其线性可分与非线性可分的情况，并通过蠓虫分类问题进行案例分析，展示了SVM在解决实际问题中的应用。最后，建议深入理解SVM的原理，如拉格朗日算子和KTT条件，以更好地掌握这一工具。
数学建模学习笔记之支持向量机（SVM）
支持向量机可以用来分类和回归分析。给定一组训练样本，每个标记为属于两类，一个SVM训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。除了进行线性分类，支持向量机可以使用所谓的核技巧，它们的输入隐含映射成高维特征空间中有效地进行非线性分类。
说白了就是机器学习里用来进行数据分类的算法。在数模中也基本是用来分类，和聚类分析一样。
原理
原理比较复杂，于是简单写一下，力求能解释清就行，如果想要透彻理解请去看司守奎老师的书以及我给出的链接。
分类问题:对于给定的训练集,寻找到一个映射函数，使进行映射后训练集可以分为两类。
线性可分支持向量机：对于训练集
其中ai组成输入空间，yi等于-1或1。如果能够寻找到一个线性规则即 ωa+b 使得所有满足y=1的ai和满足y=-1的ai分别处于一个正数的两边，也就说这个训练集是线性可分的。同时以此把这两个训练集分为M+,M-。
凸包：一堆点的最外围点连起来形成封闭图形，这里有M+的凸包和M-的凸包。
定理1：训练集T 线性可分的充要条件是，两类样本集 M+和M-的凸包相离。
定理2：当训练集样
最低0.47元/天 解锁文章
3058
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
