本文介绍了支持向量机（SVM）的基本概念，通过森林分界线和山地树木分布的例子阐述其分类原理。SVM利用核技巧将数据映射到高维空间进行线性分类，区别于神经网络的非线性分类。通过iris数据集展示了SVM的建模过程，包括参数选择和模型评估，结果显示SVM在此案例中的准确率为93.3%，Kappa值为0.899。
这一章简单理解下大名鼎鼎的支持向量机，SVM；
还是先举个栗子：
有一条路把一片森林分开两块，左边是杨树，右边是松树，那么如果我们找一个分界线的话，当然就是这条路，这个是个很简单的分类方式；
下一个场景：
我们坐直升飞机在山顶飞过，这时候山对我们来说就是个平面，看到下面有两种树：松树和杨树，假设我们往下看的时候，发现杨树都在最外面一圈，而松树都在里面那一圈，我们用什么方法把他们分隔开呢？当然可以说我们画个圆就行，但是如果我们需要用一个平面来分类呢？
其实也好办，按照树木生长的属性，一般松树在山顶，杨树在山脚，如果我们下了直升飞机，侧面去看这个树木分布的话，是可以用一个平面去分割，类似如下图：
从平面到高维空间的变化，是通过一种核技巧(kernel）的方式，下面的视频可以更容易让人理解：
墙内：
那么理论上，SVM和神经网络都是用一种方式进行数据集的分类，我认为不同的地方主要就是分类的方式：
神经网络可以在同一平面用非线性的方式进
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
