support vector machine，在機器學習中，svm 既可以做回歸，也可以做分類器。
svm 主要是幫我們找到乙個超平面，使不同的樣本分開，並且是各個樣本集到超平面的距離之和最大化。
支援向量就是距離超平面最近的樣本點，確定了支援向量也就確定了超平面。
硬間隔：在滿足線性可分的基礎上，分類完全正確，不存在分類出錯的情況
軟間隔：在滿足線性可分的基礎上，允許一部分樣本分類出錯
非線性svm：如果樣本滿足非線性資料，需要引入新的概念：核函式，可以把樣本從原始空間對映到乙個更高維的特質空間中，
使得樣本在新的空間中線性可分。
svm 本身設計用來解決二分類問題，在實際的應用中，多分類的情況比較多，比如對文字進行分類，或者對影象進行識別，分類方法包括一對一和一對多。
model = svm.svc(kernel=『rbf』, c=1.0, gamma=『auto』)，kernel 主要包括四種核函式，如下
linear：線性核函式
poly：多項式核函式
rbf：高斯核函式
sigmoid：sigmoid 核函式
再建立svm分類器後，可以利用訓練集進行分類器訓練，model.fit(train_x,train_y)
利用 prediction=model.predict(test_x) 對結果進行**。
機器學習之SVM
支援向量機是一種二類分類模型。在介紹svm之前，需要先了解支援向量這一概念，支援向量是訓練樣本的乙個子集，這一子集是二類分類的決策邊界。在二類分類過程中，可能存在無數個能夠正確分離二類資料的超平面，如圖1所示。但是不是所有的超平面都在未知資料上執行的都很好，例如圖2中的超平面b 1 就比超平面b 2...
機器學習之svm專題
svm如何用於回歸分析 手把手教你實現svm 演算法 一 四顆星 lr與svm的異同 支援向量機通俗導論 理解svm的三層境界 1000多個贊。距離度量 支援向量 損失函式 對偶問題 拉格朗日乘法 核函式 軟間隔 1 解決高維特徵的分類問題和回歸問題很有效，在特徵維度大於樣本數時依然有很好的效果。2...
機器學習之SVM簡介
機器學習之svm簡介，在深度學習 2012 出現之前，svm是ml演算法中最優秀的演算法。支援向量機，本質是個分類器。核技巧 間隔最大 當間隔最大的時候，他的泛化能力是最強的，魯棒性最高。基於最大間隔分割資料。分割的超平面有無數個，找的是最大化的 尋找乙個能把樣本分割開的超平面 分割超平面 max ...