机器学习（二）：快速入门SVM分类

Cyj2328499

于 2018-08-21 20:57:19 发布

阅读量433

点赞数 1

分类专栏：机器学习文章标签：机器学习监督学习分类

本文链接：https://blog.youkuaiyun.com/Cyj2328499/article/details/81914443

版权

本文介绍了SVM（支持向量机）的基本概念，包括支持向量的定义，以及SVM如何找到最优分类器。重点讨论了常用的SVM分类API LinearSVC和svc，解释了它们的参数如C、loss、penalty和kernel等。同时，总结了SVM分类的优点，如处理中小规模样本和高维问题的能力，以及缺点，如对缺失数据敏感、核函数选择困难和计算复杂度高等。最后，强调了SVM模型在处理大量数据时的高效性能与选择关键样本的特性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这里写图片描述

定义

SVM便是根据训练样本的分布，搜索所有可能的线性分类器中最佳的那个。仔细观察彩图中的蓝线，会发现决定其位置的样本并不是所有训练数据，而是其中的两个空间间隔最小的两个不同类别的数据点，而我们把这种可以用来真正帮助决策最优线性分类模型的数据点称为”支持向量“. （即支持向量就是离分隔超平面最近的那些点)。换句话说，找出能分离样本的一个最优平面距离超平面最近的训练样本的点被成为支撑向量,两个支撑向量距离超平面距离之和最远

其实，仔细研究线性分类和SVM会发现，线性分类的是不断调整函数中各个特征的权重，SVM就是在最好的线性基础上调整b的值。

常用的SVM分类API：LinearSVC 和svc

LinearSVC线性分类SVM,可用于二分类，也可用于多分类.

`class sklearn.svm.LinearSVC(penalty=’l2’, loss=’squared_hinge’, dual=True, tol=0.0001, C=1.0, multi_

最低0.47元/天解锁文章