scikit-learn SVM算法（待补充）

Abstract

        总结scikit-learn中的SVM算法。

前言

        最初的支持向量机(Support Vector Machine, SVM)算法由Vladimir N. Vapnik和Alexey Ya. Chervonenkis于1963年发明的。
        SVM在高维或无限维空间中构造超平面或超平面集，可用于分类，回归或诸如异常值检测的其他任务。

SVM算法

        scikit-learn中SVM算法分为两类。一类用于分类，包括SVC， NuSVC，和LinearSVC 3个类。另一类用于回归，包括SVR， NuSVR，和LinearSVR 3个类。

1. 分类问题

2. 回归问题

备注

SVM原理可参考的资料:

• 支持向量机原理(一) 线性支持向量机
  https://www.cnblogs.com/pinard/p/6097604.html
• 支持向量机原理(二) 线性支持向量机的软间隔最大化模型
  http://www.cnblogs.com/pinard/p/6100722.html
• 支持向量机原理(三)线性不可分支持向量机与核函数
  http://www.cnblogs.com/pinard/p/6103615.html
• 支持向量机原理(四)SMO算法原理
  http://www.cnblogs.com/pinard/p/6111471.html
• 支持向量机原理(五)线性支持回归
  http://www.cnblogs.com/pinard/p/6113120.html

scikit-learn中SVM算法总结:

• scikit-learn 支持向量机算法库使用小结
  https://www.cnblogs.com/pinard/p/6117515.html