優點：泛化錯誤率低，計算開銷不大，結果易解釋。
缺點：對引數調節和核函式的選擇敏感，原始分類器不加修改僅適用於處理二類問題。
適用資料型別：數值型和標稱型資料。
流程：(1) 收集資料：可以使用任意方法。
(2) 準備資料：需要數值型資料。
(3) 分析資料：有助於視覺化分隔超平面。
(4) 訓練演算法： svm的大部分時間都源自訓練，該過程主要實現兩個引數的調優。
(5) 測試演算法：十分簡單的計算過程就可以實現。
(6) 使用演算法：幾乎所有分類問題都可以使用svm，值得一提的是， svm本身是乙個二類分類器，對多類問題應用svm需要對**做一些修改。
支援向量（support vector）就是離分隔超平面最近的那些點。接下來要試著最大化支援向量到分隔面的距離，需要找到此問題的優化求解方法。
機器學習 支援向量機 SVM
svm 方法的基本思想是 定義最優線性超平面，並把尋找最優線性超平面的演算法歸結為求解乙個凸規劃問題。進而基於 mercer 核展開定理，通過非線性對映 把樣本空間對映到乙個高維乃至於無窮維的特徵空間 hilbert 空間 使在特徵空間中可以應用線性學習機的方法解決樣本空間中的高度非線性分類和回歸等...
機器學習 支援向量機SVM
svm是一種監督學習演算法，主要用於分類 回歸 異常值檢測。目前應用於文字分類 手寫文字識別 影象分類 生物序列分析。支援向量機是一種通過某種非線性對映，把低維的非線性可分轉化為高維的線性可分，在高維空間進行線性分析的演算法。支援向量機 svm，support vector machine 是根據統...
機器學習 支援向量機SVM
通俗詳見 要明白什麼是svm，便得從分類說起。分類作為資料探勘領域中一項非常重要的任務，它的目的是學會乙個分類函式或分類模型 或者叫做分類器 而支援向量機本身便是一種監督式學習的方法 至於具體什麼是監督學習與非監督學習，請參見此系列machine l data mining第一篇 它廣泛的應用於統計...