是乙個類似於邏輯回歸的方法，用於對不同因素影響的某個結果的分類。
但邏輯回歸主要採用的是sigmoid函式，svm有自己常用的核函式：linear線性核、rbf徑向基、poly多項式
比方說，要對一堆香蕉和黃瓜進行分類~~~
首先要明確的是，我們常見的香蕉為黃色，黃瓜為綠色（為什麼不叫綠瓜？？）。但是香蕉有綠色的，黃瓜也有黃色的？？？
好吧。這是我搜的,真的是巨醜！！！
我們採集香蕉和黃瓜的各項特徵資訊：氣味，顏色，重量，長度………匯集成特徵點，利用linear線性的分類器進行分類。如下圖
紅色的是香蕉，綠色的黃瓜，能夠看出來，分類的依據是兩類圖中的兩個點決定的，也就是兩點連線的中垂線！
而且將這條線沿著垂直兩點之間的連線移動，會發現，分類的結果並不會改變。這就是svm的特點：是依賴於特徵點當中的最特殊的點進行分類的。
這一部分的python實現與邏輯回歸非常相似，原始碼與資料集可參考邏輯回歸介紹
linear
簡單的線性核函式，上文提到的香蕉和黃瓜的分類就是線性核函式的應用
主要應用於線性可分的情況
rbf
高斯核函式，可以實現高維投射
就好比這樣的分類特徵點，用線性的不管怎麼分，結果都是很不理想的，這時候用rbf從圖中的二維空間投射到三維的。（這裡在投射的時候，經過了一系列的公式上的轉換，不在此贅述）
經過投射之後呢，就變成了下面的這個樣子
看上去像是被乙個超平面分割了，其實應該把這些點看成乙個圓錐的大體樣子，兩類之間的分割變成了乙個曲面，這個曲面就是rbf擬合的結果了。
poly
多項式核函式也是可以實現低維到高維的對映，採用的頻率並不是很高
前乙個文章：邏輯回歸 中提到的案例的實現，邏輯回歸的結果是：
用rbf核函式重新擬合之後結果更加的準確，誤差也更加的小了
上圖：
機器學習 SVM（核函式 高斯核函式RBF）
1 格式 2 多項式核函式 對傳入的樣本資料點新增多項式項 新的樣本資料點進行點乘，返回點乘結果 一維特徵的樣本，兩種型別，分布如圖，線性不可分 為樣本新增乙個特徵 x2 使得樣本在二維平面內分布，此時樣本在 x 軸公升的分布位置不變 如圖，可以線性可分 3 優點 特點 一般將原始樣本變形，通常是將...
機器學習 SVM（3）核函式
更詳細的講解可以參考原部落格。1 為什麼引入核函式呢？為了回答這個問題，我們先來說明什麼是線性不可分資料。如下左圖所示，如果資料能用一條直線或乙個超平面分開的資料，就是線性不可分資料。那麼什麼是線性不可分資料呢？如下右圖所示，我們無法用一條直線或乙個超平面分開的資料。很不幸的是我們之前介紹的svm是...
機器學習 SVM核函式的計算
在 機器學習 推導支援向量機svm二分類中，我們已經推導出線性核svm的對偶優化問題 j i i 12 i j i jd idjk xi tk x j i i 12 i j i jdi djk xi,x j su bjec tto idi 0,0 i c 在優化好 i 拉格朗日量後，我們得到的w和b...