SVM的应用——解决的问题类型
1、SVM用作分类
1.1、SVM与二分类
二分类Binary Classification，解决输出是0还是1的问题。SVM解决的是二分类。
1.2、SVM与多分类
T1、线性核函数Linear Kernal：采用的策略是"one versus one" 。
T2、线性支持向量分类器LinearSVC，采用的策略是"one versus all"
2、SVM用作回归
支持向量回归（Support Vector Regression, SVR）将SVM由分类问题推广至回归问题可以得到支持向量回归（Support Vector Regression, SVR），此时SVM的标准算法也被称为支持向量分类（Support Vector Classification, SVC）。
支持向量分类的方法能被推广到解决回归问题，称为支持向量回归。由支持向量分类产生的模型仅依赖训练数据的子集，因为创建模型的代价函数并不考虑超过边界的训练点。类似地，由支持向量回归产生的模型仅依赖训练数据的子集，因为创建模型的代价函数忽略任何接近模型预测的训练数据。
支持向量回归有三个不同的执行版本：rbfSVR，polySVR，linearSVR。linearSVR执行速度比SVR要快，但只提供线性核。fit方法取X, y作为输入参数，这里，y取浮点值而不是分类的整数值。
from sklearn import svm
X = [[0, 0], [2, 2]]
y = [0.5, 2.5]
clf = svm.SVR()
clf.fit(X, y)
SVM的经典案例
DL之NN/Average_Darkness/SVM：手写数字图片识别(本地数据集50000训练集+数据集加4倍)比较3种算法Average_Darkness、SVM、NN各自的准确率
MAT之SVM：SVM之Classification根据已有大量数据集案例，输入已有病例的特征向量实现乳腺癌诊断高准确率预测
MAT之SVM/BP：SVR(better)和BP两种方法比较且实现建筑物钢筋混凝土抗压强度预测
ML之SVM：随机产生100个点，建立SVM模型，找出超平面方程
ML之SVM：基于sklearn的svm算法实现对支持向量的数据进行标注
————————————————
版权声明：本文为CSDN博主「一个处女座的程序猿」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_41185868/article/details/78991526
