支持向量机（SVM）是一种用于二元分类的线性分类器，寻找最大边距超平面以实现最佳分类。通过铰链损失函数和正则化项优化结构风险，能处理非线性问题。SVM在非线性数据上通过核方法转换到高维空间进行分类。Python中可以通过实现代码进行SVM的线性基础、线性展示和实际应用。
1.SVM概念
支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面。对于线性可分两类数据，支持向量机就是条直线(对于高维数据点就是一个超平面), 两类数据点中的的分割线有无数条，SVM就是这无数条中最完美的一条，怎么样才算最完美呢？就是这条线距离两类数据点越远，则当有新的数据点的时候我们使用这条线将其分类的结果也就越可信。
2.SVM原理
SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structu
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
