机器学习：支持向量机SVM_transductive svm-优快云博客

本文链接：https://blog.youkuaiyun.com/gracejpw/article/details/102641113

本文介绍了支持向量机（SVM）的原理和应用，包括线性和非线性分类、回归、聚类和异常检测。SVM通过寻找最大化边际的超平面作为决策边界，以降低泛化误差。它在多种任务中表现出色，如手写识别、文本分类、生物信息学等。SVM与神经网络有相似之处，线性SVM可视为单个神经元，非线性SVM类似两层神经网络。文章还探讨了SVM如何通过最小化损失函数解决最优化问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

支持向量机（SVM，也称为支持向量网络），是机器学习中获得关注最多的算法没有之一。它源于统计学习理论，与集成算法一样，也是强学习器。从算法的功能来看，SVM几乎囊括了所有常用算法的功能：
有监督学习：
线性二分类与多分类（Linear Support Vector Classification）
非线性二分类与多分类（Support Vector Classification, SVC）
普通连续型变量的回归（Support Vector Regression）
概率型连续变量的回归（Bayesian SVM）
无监督学习：
支持向量聚类（Support Vector Clustering，SVC）
异常值检测（One-class SVM）
半监督学习：
转导支持向量机（Transductive Support Vector Machines，TSVM）
从分类效力来讲，SVM在无论线性还是非线性分类中，都是明星般的存在：
在这里插入图片描述
从实际应用来看，SVM在各种实际问题中都表现非常优秀。它在手写识别数字和人脸识别中应用广泛，在文本和超文本的分类中举足轻重，因为SVM可以大量减少标准归纳（standard inductive）和转换设置（transductive settings）中对标记训练实例的需求。同时，SVM也被用来执行图像的分类，并用于图像分割系统。实验结果表明，在仅仅三到四轮相关反馈之后，SVM就能实现比传统的查询细化方案（query refinement schemes）高出一大截的搜索精度。除此之外，生物学和许多其他科学都是SVM的青睐者，SVM现在已经广泛被用于蛋白质分类，现在化合物分类的业界平均水平可以达到90%以上的准确率。在生物科学的尖端研究中，人们还使用支持向量机来