综述支持向量机(SVM)算法的相关内容

支持向量机（SVM）是一种强大且适应性强的监督学习算法，用于异常值检测、回归和分类任务。在高维领域尤其有效，因此广泛应用于分类任务。

支持向量机(SVM)的主要目的是将数据集划分为大量类，以发现最大边际超平面(MMH)，这可以分两步完成：

第一步：支持向量机最初将迭代构建最能区分类别的超平面。

第二步：然后它将选择最能分离类的超平面。

超平面的维度与特征的数量有关。当特征数量为2时，超平面是一条线。当特征数量为3时，超平面变为二维平面。

为了构造超平面，支持向量机（SVM）利用极值向量作为支持向量。SVM的目标是找到一个具有较大边距的理想超平面，在n维空间中将不同类别的样本进行离散化。

Python实现支持向量机(SVM)分类

支持向量机(SVM)重要原则

1、支持向量-离超平面最近的数据点称为支持向量。可以使用支持向量来确定分隔线。

2、超平面-将一组项目划分为多个类别的空间或决策平面称为超平面。

3、边距-不同类最近数据点上两条线之间的距离。

4、最大边距-理想的超平面是具有最大边距的超平面。

支持向量机(SVM)内核

支持向量机内核是一个函数，它采用低维输入空间并将其转换为高维空间，即将不可分离问题转换为可分离问题。它主要用于非线性分离问题。简单地说，内核会进行一些极其复杂的数据转换，然后根据定义的标签或输出找出分离数据的过程。

支持向量机(SVM)的优点

1、在高维情况下有效

2、内存效率很高，因为它使用决策函数中称为支持向量的训练点子集

3、可以为决策函数指定不同的内核函数，并且可以指定自定义内核