超级会员免费看
本文详细介绍了支持向量机（SVM）的基本概念、推导过程、应用场景、核函数的特点与作用，以及SVM的主要特点和优缺点。SVM是一种有效的分类算法，尤其在处理非线性问题时，通过引入核函数和对偶问题，解决了线性不可分数据的难题。此外，文章还对比了SVM与逻辑回归的区别，并讨论了在特征较多时选择SVM的原因。对于SVM的优化，文中提到了防止过拟合的方法，如引入松弛变量和正则化。
B站：啥都会一点的研究生
公众号试读：啥都会一点的研究生
目录
介绍下SVM？
SVM（Support Vector Machine，支持向量机）是二十世纪初使用广泛的分类算法，可以处理非线性和高维的机器学习问题。SVM目标是找到分类的最大间隔，为了更好的求解，针对SVM基本型使用拉格朗日方法找到其对偶问题，从而找到解。SVM只和支持向量有关，所以SVM对异常值不敏感，适合小数据集。
支持向量：在求解的过程中，会发现只根据部分数据就可以确定分类器，这些数据称为支持向量。
支持向量机（Support Vector Machine，SVM）：其含义是通过支持向量运算的分类器。
支持向量机是一种二分类模型，它的目的是寻找一个
订阅专栏 解锁全文
扫一扫
618
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
