11_支持向量机SVM（Support vector machine）

11_支持向量机SVM（Support vector machine）

在这一章，我们将深入学习大名鼎鼎的支撑向量机SVM。我们将从线性SVM开始，理解SVM的思路，进而深入理解SVM解决非线性问题的方式——核函数。
我们将重点学习两个最重要的核函数：多项式核和径向基函数核。我们更会使用真实的数据集实验，看到SVM的优缺点。
最后，我们还将探讨使用SVM解决回归问题的思路。 …

11-1 什么是SVM

11-2 SVM背后的最优化问题

11-3 Soft Margin SVM 和 SVM正则化

11-4 scikit-learn中的SVM

11-5 SVM中使用多项式特征和核函数

11-6 到底什么是核函数

官方文档：关于多项式核函数的参数介绍
https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html

11-7 RBF核函数

11-8 RBF核函数中的gamma

Summary：超参数gamma值越高，模型就越倾向于过拟合；gamma越低，模型就越接近欠拟合。实际使用SVM高斯核时，按情况取值。

11-9 SVM思想解决回归问题