優點：泛化錯誤率低，計算開銷不大，結果易解釋。
缺點：對引數調節和核函式的選擇敏感，原始分類器不加修改僅適用於處理二類問題。
適用資料型別：數值型和標稱型資料
支援向量機最主要的還是選出離分隔超平面最近的點，這些點叫支援向量，然後最大化支援向量到分隔面的距離。
不能耐心的看完svm的理論了，實在是太多。。等老師給我們講的時候再去細細**下。
這裡收藏個部落格，慢慢看。
平時使用svm就直接使用sklearn裡的svm包
from sklearn import svm大的資料集應該使用svm.linearsvc
在高維度的資料集下應該使用svm.oneclasssvm
具體使用例子以及說明詳見
實在抱歉。。
給自己點了個踩
Python學習筆記（機器學習 SVM）
1 思想 分類器 2 如何？尋求乙個最優的超平面 分類 3 核 line 4 資料 樣本 5 訓練 svm create train predict svm本質 尋求乙個最優的超平面 分類 svm 核 line 身高體重 訓練 import cv2 import numpy as np import...
機器學習 SVM
svm 支援向量機是個二分類模型。給定給乙個包含正例和反例的樣本集合，svm的目的是尋找乙個超平面來對樣本根據正例和反例進行分割。保證最大間隔，間隔最大可以有效避免在分類面上的樣本的誤判率。網上也是對其推崇備至，認為不管什麼任務，先跑跑svm和rf。對於超平面的求取，是乙個凸二次規劃問題，牽扯到對偶...
機器學習 SVM
當train data線性可分時，存在多個分離超平面可以把兩類資料正確分開，感知機利用的是誤分類最小的策略，求得分離超平面。但是這是有無窮多個解，而線性svm利用了間隔最大化求分離超平面，解是唯一的，優點是不僅把正負樣本點分開，還對最難分的點 即離超平面最近的點 也有足夠大的確信度將它們分開 希望用...