主要内容

1. 支持向量机（SVM）的概念
2. 支持向量机的分类
3. SVM算法原理和过程

一、支持向量机（SVM）的概念

• 支持向量机主要用于分类问题 的处理，是一款强大的分类模型，被很多人认为是最优秀的有监督机器的学习模型，甚至被称为“万能分类器” ，在机器学习算法中有着广泛的应用
• SVM将每个样本数据表示为空间中的点，使不同类别的样本点尽可能明显的区分开。通过将样本的向量映射到高维空间中，寻找最优区分两类数据的超平面，使各分类到超平面的距离最大化，距离越大表示SVM的分类误差越小
• SVM通常用于二分类问题 ，对于多元分类可将其分解为多个二元分类问题，在进行分类，主要的应用场景有：图像分类、文本分类、面部识别、垃圾邮箱检测等领域
• SVM可以同时最小化经验误差和最大化几何边缘区，因此也被称之为 最大间隔分类器

二、支持向量机的分类

• SVM根据线性可分的程度不同，可以分为三类：线性可分SVM、线性SVM和非线性SVM

  

• 线性可分SVM 是线性SVM的基础，而者两者又是非线性SVM的基础

三、SVM算法原理和过程

• 样本数据的特征向量构成了一个空间，每个样本点都占据空间中的一个位置。如果有一条线、一个面或者一个特殊形状将样本数据分割成两部分，其中一部分为正样本，另一部分为负样本。因为我们把新数据的特征向量跟这个分割线（面）进行比较，就可以判断新数据是正样本还是负样本了，也就实现了对新数据的分类。这样的一个分割线（面）就叫作超平面

• 所以采用SVM的目的就是找到这样一个超平面

• 很多时候，满足这样条件的超平面（分割线）不是唯一的，而是有很多个，应该选择分割线更加远离正、负样本数据点，具有更好和更稳定的分类效果的超平面（称为分离超平面）

如果觉得文章对你有帮助的话，可以给我点赞鼓励一下我，也欢迎大家收藏文章进行学习

关注我，我们一起学习，一起进步！！！