svm(support vectormachine)
，被認為是
「off-the-shelf」
最好的監督機器學習演算法之一，甚至很多人認為可以把「之一
」去掉。
svm有著天然的
intuition
，大量的數學推導和優雅的解形式
(有了大量的數學推導，自然就容易發
*****啦)
。實際上
svm在工業界也有著廣泛的應用如，文字分類、影象分類、生物醫學診斷和手寫字元識別等。有關
svm資源非常之多，本文嘗試總結一些比較好的
svm學習資源。
0.維基百科
如果想迅速的了解
svm一些基礎概念，維基百科是乙個不錯的選擇，
svm。雖然是乙個基礎性資源，但維基百科裡面的有關
svm知識並不是那麼簡單，如果能理解維基百科裡面的內容，說明你的數學功底還是相當厲害的。
1.課程資源
stanford
大學andrewng
。有關svm
的課程從第
6課開始到第
8課結束，橫跨了
3follow
課程的內容，相信對
svm就會有很好的掌握。
2.部落格資源
經過第一步的課程資源學習後，如果仍然對
svm一知半解，網路上的優秀部落格資源將會是乙個很好的補充與加強。
1）第一篇部落格資源是
leftnoeasy
的svm
博文：）第二篇部落格資源是
freemind
的博文：
）第三篇部落格資源是
leo zhang
：。三個部落格的難度從易到難，三篇部落格都非常精彩，第一篇部落格非常適合作為學習
svm入門型資源，第二篇部落格由淺入深的闡釋了
svm，似有科學小品之感，最後一篇部落格理論性非常強，並在博文最後用
python
實現了乙個
svm分類器，如果想深入的理解
svm，第三個部落格是不可錯過資源。
3.**
&書籍資源
1）**：
j.c.burges
的**：
<<
a tutorial on support vectormachines for pattern recognition
>>
glennm.fung
的**：
<<
knowledge-based support vectormachine classifiers
>>
b. e.boser, i. m. guyon, and v .vapnik
的**：
<<
a training algorithm for optimal margin classifiers
>>
2）書籍：
johnshawe-taylor & nello cristianini
的書：<<
support vector machines and other kernel-based learning methods
>>
機器學習的經典教材，
bishop
的書：<<
pattern recogition and machine learing
>>，第7
章<>
前面部分是有關
svm的論述
vapnik
的經典著作：
<<
the nature of statisticallearning theory
>>
4.tooktiks
本節介紹
svm比較有名的開源工具：
libsvm, svmlight, liblinear
。libsvm
是由台灣大學林智仁
(lin chih-jen)
教授等開，國內用的較多一點，
svmlight
由卡內基梅隆大學
thorstenjoachims
教授開發的工具包，
liblinear
也是有台灣大學林智仁教授團隊開發的工具包，針對大規模線性分類問題
(大規模文字分類)。
三個工具包有各自的優點：
libsvm
與liblinear
支援多分類問題，而
svmlight
並不支援多分類；
svmlight
與liblinear
特別是在資料規模比較大的情況下，要比
libsvm
快；libsvm
直接支援樣本後驗概率輸出，但
svmlight
與liblinear
並不直接支援；
libliner
僅能處理線性可分的問題。在實際過程中，需要依據自己的任務，選擇合適的
svm工具。參考
，歡迎交流！
SVM學習總結（一）如何學習SVM
前段時間一直在鑽研svm演算法，原先一直覺得乙個非常簡單的演算法，沒想到在學的時候還挺難，主要還是對凸優化方面的知識不太熟悉，以後得加強，下面主要說說svm演算法的學習思路 對小白初學者 通過各種資料的對比學習，我個人覺得使用李航的 統計學習方法 第七章，再輔助以網上的資料應該就差不多了，然後再寫個...
SVM學習總結
1 為啥要大於等於1，為啥是1 w 上面的函式間隔為啥可以忽略？這裡做了簡化處理，把支援向量到分離超平面的距離簡化為1了。相當於做了乙個標準化，這就是規定。因為函式間隔通過調整，通過w 和b的等比例變化，是可以忽略的。你可以把1 w 和 s.t.後面的條件同時放大縮小同樣的倍數。直觀的理解就是，法向...
SVM學習筆記
svm方法被稱為最大間隔分類，考慮乙個兩個feature的例子，如下圖所示，所有的劃分都是正確的，但顯然紅色的線是最好的劃分，因為其抵抗擾動的能力更強，容錯性更好，魯棒性好。兩類中最靠近分類界限的點沿分類線 平面 的距離最大，這個距離就是所謂的magin，中文應該是間隔的意思。如下圖中的紅色兩個點，...