机器学习之SVM支持向量机简述

SVM支持向量机

原理

最优化求最大间隔
寻找可以区分两个类别并且能使边际（margin）最大的超平面（hyper plane）
定义距离超平面最近的点为支持向量

优缺点

优点

• 可以解决高维问题，即大型特征空间；
• 解决小样本下机器学习问题；
• 能够处理非线性特征的相互作用；
• 无局部极小值问题；（相对于神经网络等算法）
• 无需依赖整个数据；
• 泛化能力比较强；

缺点

• 当观测样本很多时，效率并不是很高；
• 对非线性问题没有通用解决方案，有时候很难找到一个合适的核函数；
• 对于核函数的高维映射解释力不强，尤其是径向基函数；
• 常规SVM只支持二分类； 对缺失数据敏感；

使用场景

回归分析、分类、模式识别