支持向量机最通俗易懂
支持向量机（SVM）是一种监督式学习的方法，可以用来解决分类或回归问题。它的工作方式是将向量映射到一个更高维的空间，然后在这个空间里建立一个具有最大间隔的超平面。这个超平面可以将不同类别的数据集分开。
SVM只考虑分类面附近的局部的点，即支持向量，而不是考虑全部样本的点。当数据样本是线性可分的时，SVM可以找到一个分隔间距最大的超平面。当数据样本是线性不可分的时，SVM可以将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内仍然线性可分。这种映射的关键作用是核函数，SVM中常用的核函数有线性核函数、多项式核函数、径向基（高斯）核函数。
最后，SVM在拟合时会保证一定的容错性，忽略异常值来保证全局预测结果的准确性，这就是我们通常所说的“软间隔”。
如有侵权请及时联系我们处理，转载请注明出处来自
推荐文章
科技快看 网站地图广州壹创集信息科技有限公司 版权所有 粤ICP备2021122624号
