SVM

二分类器，监督学习

概念

• support vectors:
• hyperplane:超平面 -将两类数据分隔开的对象。如果数据点在二维平面上，那hyperplane就是直线；如果数据点在三维空间上，超平面就是一个平面，所以N-1维。
• Margin:
• Decision Boundary:
• 法向量：w

算法思想

寻找一个超平面将两类数据尽最大化分开

问题

• 为什么用{-1，1} 而不用{0，1}

SVM优化目标: 就是寻找最大间隔的超平面，令不

SMO

Kernal复杂函数上应用核函数

Input:

Output:

优

缺点：

特殊情况：

当数据不是100%线性可分，要引入松驰变量slack various.

kernel SVM - 处理非线性问题

• 低维数据映射到高维，从而实现线性可分。