算法概述#

Support Vector Machine

三大类别

解决不同类型的问题 线性可分:不允许错分样本 近似线性可分:允许若干的错分现象

算法流程#

线性可分性 求出超平面

最佳超平面:间隔最大化

间隔最大化:

如何计算距离

例子

公式:

例子:

发挥作用的点只有支持向量

硬间隔分类的缺点:

软间隔SVM模型

线性不可分

非线性的情况 低维空间映射到高维空间

核函数:用来映射,升维度

存在的问题

原先:映射维度再算内积 核函数:直接跳到内积空间

简单介绍核函数 (最简单)

(不知道选什么,就选径向基核函数)

算法步骤#

算法实例#

代码实现 注意参数(越大越严格)

生成数据集来学习 参数: n_samples样本点 n_features特征数

实例:

又一个实例代码

算法应用#

算法改进与优化#

要求掌握基本原理和步骤