机器学习——SVM

SVM支持向量机SVM 的核心思想是找到一个最优的超平面将不同类别的数据分开。这个超平面不仅要能够正确分类数据还要使得两个类别之间的间隔margin最大化。在二维空间中超平面是一个直线。在三维空间中超平面是一个平面。在更高维空间中超平面是一个分割空间的超平面。支持向量是离超平面最近的样本点。支持向量机通过最大化支持向量到超平面的距离即最大化间隔来选择最佳的超平面。核技巧Kernel Trick对于非线性可分的数据SVM使用核函数将数据映射到更高维的空间在这个空间中数据可能是线性可分的。常用的核函数有线性核、多项式核、径向基函数RBF核等。SVM 分类流程选择一个超平面找到一个能够最大化分类边界的超平面。训练支持向量通过支持向量机算法选择离超平面最近的样本点作为支持向量。通过最大化间隔来找到最优超平面选择一个最优超平面使得间隔最大化。使用核函数处理非线性问题通过核函数将数据映射到高维空间来解决非线性可分问题。