zhiyi_2012的专栏

机器学习中的算法(2)-支持向量机(SVM)基础 版权声明：     本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系wheeleast@gmail.com   前言：     又有很长的一段时间没有更新博客了，距离上次更新已经有两个月的时间了。其中一个很大的原因是

转载自：http://www.blogjava.net/zhenandaci/archive/2009/02/13/254519.html （一）SVM的八股简介 支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。

转载自：http://blog.pluskid.org/?page_id=683 基本篇： 支持向量机: Maximum Margin Classifier —— 支持向量机简介。 支持向量机: Support Vector —— 介绍支持向量机目标函数的 dual 优化推导，并得出“支持向量”的概念。 支持向量机：Kernel —— 介绍核方法，并由此将支持向量机推广到非线性的情况。

转载自：http://xiaozu.renren.com/xiaozu/121443/356866219        SVM的应用领域很广，分类、回归、密度估计、聚类等，但我觉得最成功的还是在分类这一块。        用于分类问题时，SVM可供选择的参数并不多，惩罚参数C，核函数及其参数选择。对于一个应用，是选择线性核，还是多项式核，还是高斯核？还是有一些规则的。        实际