**：
支援向量機(supportvectormachines,svm) 是一種二類分類模型.它的基本模型是定義在特徵空間上的間隔最大的線性分類器，間隔最大使它有別於感知機; 支援向量機還包括核技巧，這使它成為實質上的非線性分類器.支援向量機的學習策略就是間隔最大化，可形式化為乙個求解凸二次規劃(convex quadratic也等價於正則化的合頁損失函式的最小化問題.支援向programming )的 問題，量機的學習演算法是求解凸二次規劃的最優化演算法.支援向量機學習方法包含構建由簡至繁的模型: 線性可分支援向量機(linearsupport vector machine in linearly separable case)、線性支援向量機(lincar supportvector machine) 及非線性支援向量機(non-linear support vector machine).簡單模型是複雜模型的基礎，也是複雜模型的特殊情況.當訓練資料線性可分時,通過硬間隔最大化(hard margin maximization),學習乙個線性的分類器，即線性可分支援向量機，又稱為硬間隔支援向量機; 當訓練資料近似線性可分時，通過軟間隔最大化(soft margin maximization),也學習乙個線性的分類器，即線性支援向量機，又稱為軟間隔支援向量機; 當訓練資料線性不可分時,通過使用核技巧(kerael trick) 及軟間隔最大化,學習非線性支援向量機.當輸入空間為歐氏空間或離散集合、特徵空間為希爾伯特空間時，核函式(kernel function) 表示將輸入從輸入空間對映到特徵空間得到的特徵向量之間的內積.通過使用核函式可以學習非線性支援向量機，等價於隱式地在高維的特徵空間中學習線性支援向量機.這樣的方法稱為核技巧.核方法(kernel method) 是比支援向量機更為一般的機器學習方法.cortes 與vapnik 提出線性支援向量機，boser、guyon 與vapnik 又引入核技巧,提出非線性支援向量機，本章按照上述思路介紹3 類支援向量機、核函式及一種快速學習演算法一一串行最小最優化演算法(smo).
支援向量機python實戰（手寫體識別）：
支援向量機專題 線性支援向量機
原文 當資料線性不可分時，使用硬間隔支援向量機很難得到理想的結果。但是如果資料近似線性可分，可以採用軟間隔支援向量機 線性支援向量機 進行分類。這通常適用於有少量異常樣本的分類，如果使用線性支援向量機，它會盡量使得所有訓練樣本都正確，如下圖所示。顯然這並不是最好的結果，軟間隔支援向量機可以權衡 間隔...
支援向量機
支援向量機 svm 一種專門研究有限樣本 的學習方法。是在統計學習理論基礎之上發展而來的。沒有以傳統的經驗風險最小化原則作為基礎，而是建立在結構風險最小化原理的基礎之上，發展成為一種新型的結構化學習方法。結構風險最小歸納原理 解決了有限樣本或小樣本的情況下獲得具有優異泛化能力的學習機器。包含了學習的...
支援向量機
支援向量 與分離超平面距離最近的樣本點的例項 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選擇敏感，原始分類器不加修改僅適用於處理二分類問題 適合資料型別 數值型和標稱型資料 每次迴圈中選擇兩個alpha進行優化處理。一旦找到一對合適的alpha，那麼久增大其中乙個同時減小...