【机器学习】机器学习实战-支持向量机

概述

在数据上应用基本形式的SVM分类器就可以得到低错误率的结果，且能够对训练集之外的数据点做出很好的分类决策。

• 优点：泛化错误率低（？），计算开销不大，结果易解释
• 缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。
• 适用数据范围：数值型和标称型

一些基本概念

• 线性可分
• 分隔超平面：分隔N维数据的那个平面（对象）
• 超平面：分类的决策边界
• 间隔：点到分隔面的距离
• 支持向量：离分隔超平面最近的那些点（需要让这些支持向量的间隔尽可能得大）

寻找最大间隔

• 分隔超平面的形式
• 分隔面的法线或垂线长度