支持向量機概述
Support Vector Machine SVM 是一類按監督學習(Supervised learning)方式對資料進行二元分類的廣義線性分類器(Generalized linear classifier)其決策邊界是對學習樣本求解的最大編輯超平面(maximum-margin- hyperplane)與邏輯回歸和神經網路相比，支持向量機，在學習復雜的非線性方程時提高了一種更為清晰，更加強大的方式，
硬、軟間隔
硬間隔就是說分類完全正確
軟間隔是說分類存在一定分類錯誤
線性可分、線性不可分
演算法思想
找到結合邊緣上的若干資料-支持向量（Support vector），用這些點找出一個超平面，使得支持向量到該平面（成為決策面）的距離最大
數學推導
線性可分向量機
線性支持向量機
線性不可分向量機
典型的降維打擊
劃重點！！調節引數時候要注意：
γ
\gamma
γ越大，支持向量越少，反正支持向量越多，
C
C
C是懲罰系數，即是對誤差的寬容度，
C
C
C越高，越不能容忍誤差，容易過擬合，反之越小的時候，容易出現欠擬合，
重點總結：
n
n
n是特征數，
m
m
m為訓練樣本數
（1）如果相較于m而言，n要大許多，即訓練集資料量不夠支持我們訓練一個復雜的非線性模型，我們選用邏輯回歸模型或者不帶核函式的支持向量機，
（2）如果n較小，而且m大小中等，比如n在1-1000之間，而m在10-10000之間，使用高斯核函式的支持向量機
（3）如果n較小，而m較大，例如n在1-1000之間，而m大于50000，則使用支持向量機會非常慢，解決方案是創造、增加更多的特征，然后使用邏輯回歸或不帶核函式的支持向量機，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/294624.html
標籤：AI