svm支援向量機，一般用於二分類模型，支援線性可分和非線性劃分。svm中用到的核函式有線性核』linear』、多項式核函式pkf以及高斯核函式rbf。
當訓練資料線性可分時，一般用線性核函式，直接實現可分；
當訓練資料不可分時，需要使用核技巧，將訓練資料對映到另乙個高維空間，使再高維空間中，資料可線性劃分，
但需要注意的是，若樣本n和特徵m很大時，且特徵m>>n時，需要用線性核函式，因為此時考慮高斯核函式的對映後空間維數更高，更複雜，也容易過擬合，此時使用高斯核函式的弊大於利，選擇使用線性核會更好；
若樣本n一般大小，特徵m較小，此時進行高斯核函式對映後，不僅能夠實現將原訓練資料再高維空間中實現線性劃分，而且計算方面不會有很大的消耗，因此利大於弊，適合用高斯核函式；
若樣本n很大，但特徵m較小，同樣難以避免計算複雜的問題，因此會更多考慮線性核。
在吳恩達的課上，也曾經給出過一系列的選擇核函式的方法：
如果特徵的數量大到和樣本數量差不多，則選用lr或者線性核的svm；
如果特徵的數量小，樣本的數量正常，則選用svm+高斯核函式；
如果特徵的數量小，而樣本的數量很大，則需要手工新增一些特徵從而變成第一種情況。
svm分為：
線性可分支援向量機。當訓練資料線性可分時，通過硬間隔最大化，學習到的乙個線性分類器。
線性支援向量機。當訓練資料近似線性可分時，通過軟間隔最大化，學習到的乙個線性分類器。
非線性支援向量機。當訓練資料線性不可分，通過使用核技巧及軟間隔最大化，學習非線性支援向量機。
SVM 核函式的選擇
1 經常使用的核函式 核函式的定義並不困難，根據泛函的有關理論，只要一種函式k xi,x j 滿足mercer條件，它就對應某一變換空間的內積 對於判斷哪些函式是核函式到目前為止也取得了重要的突破，得到mercer定理和以下常用的核函式型別 1 線性核函式k x,x i x xi 2 多項式核k x...
關於SVM核函式的選擇
今天去面試的時候，面試官問了我乙個問題 svm的核函式如何選擇？我說試試吧，答案可能也對，但這樣會浪費時間。上網搜尋了一下，andrew的說法是 1.當樣本的特徵很多時，特徵的維數很高，這是往往樣本線性可分，可考慮用線性核函式的svm或lr 如果不考慮核函式，lr和svm都是線性分類演算法，也就是說...
選擇支援向量機 SVM 核函式
svm核函式通常有四種 1.linear 2.polynomial 3.gaussian rbf 4.sigmoid logistic 不知為何，rbf最常用 ok，很顯然，兩種核函式都能讓我們接受，具有很強的說服力。這時候通常選擇簡單的那個，即線性核函式，因為不論是引數個數上還是複雜度上，還是對映...