一、概述
支持向量机（svm）
2017-11-01
1331
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
一、概述
目录
相关文章
|
6月前
|
机器学习/深度学习
算法
Serverless
什么是支持向量机（SVM）
支持向量机（Support Vector Machine，SVM）是一种用于分类问题的监督算法。主要用于二分类和多分类问题。其基本思想是找到一个超平面，能够将不同类别的样本点尽可能地分开，并使得离超平面最近的样本点尽可能远离超平面，从而实现较好的分类效果。
SVM的关键是找到一个最优的超平面，这个超平面可以通过使得最靠近超平面的样本点之间的间隔最大化来定义。这些最靠近超平面的样本点被称为支持向量。SVM的优化目标可以表示为一个凸二次规划问题，可以通过求解对应的拉格朗日函数来得到最优解。
89
0
0
|
6月前
|
机器学习/深度学习
算法
Serverless
支持向量机（SVM）
支持向量机（Support Vector Machine，SVM）是一种用于分类问题的监督算法。主要用于二分类和多分类问题。其基本思想是找到一个超平面，能够将不同类别的样本点尽可能地分开，并使得离超平面最近的样本点尽可能远离超平面，从而实现较好的分类效果。
SVM的关键是找到一个最优的超平面，这个超平面可以通过使得最靠近超平面的样本点之间的间隔最大化来定义。这些最靠近超平面的样本点被称为支持向量。SVM的优化目标可以表示为一个凸二次规划问题，可以通过求解对应的拉格朗日函数来得到最优解。
SVM除了能够处理线性可分离的问题外，还可以通过核函数的引入处理线性不可分的问题，将样本映射到高维空间，从而
69
0
0
|
5月前
|
机器学习/深度学习
算法
数据挖掘
支持向量机（一）
**支持向量机（SVM）** 是一种优雅的分类和回归算法，广泛应用于文本分类、图像识别、生物信息学和金融预测。它寻找最大化类别间边距的决策边界，适应小样本、高维和非线性问题。SVM通过核函数（如RBF）处理非线性数据，目标是找到具有最大边距的超平面，以提高泛化能力。C参数调节模型复杂度，允许数据点偏离边界的程度。
53
0
0
|
5月前
|
机器学习/深度学习
数据可视化
算法
支持向量机（二）
这是一个关于支持向量机（SVM）的实践教程概要。作者使用Python的sklearn库演示了SVM的步骤，包括导入库、构建数据集、训练线性SVM模型、查看模型参数、进行预测及可视化决策边界。讨论了SVM在处理线性不可分数据时使用核函数（如高斯核）的重要性，并总结了SVM的优缺点：它擅长处理高维和非线性问题，但对大规模数据和参数选择敏感，训练时间可能较长。
27
0
0
|
6月前
|
机器学习/深度学习
数据采集
算法
深入理解并应用机器学习算法：支持向量机（SVM）
【5月更文挑战第13天】支持向量机(SVM)是监督学习中的强分类算法，用于文本分类、图像识别等领域。它寻找超平面最大化间隔，支持向量是离超平面最近的样本点。SVM通过核函数处理非线性数据，软间隔和正则化避免过拟合。应用步骤包括数据预处理、选择核函数、训练模型、评估性能及应用预测。优点是高效、鲁棒和泛化能力强，但对参数敏感、不适合大规模数据集且对缺失数据敏感。理解SVM原理有助于优化实际问题的解决方案。
337
3
3
|
机器学习/深度学习
数据采集
算法
|
机器学习/深度学习
算法
Python
|
机器学习/深度学习
运维
算法
|
机器学习/深度学习
|
机器学习/深度学习
算法
