【ML 吴恩达】10 简单明了介绍支持向量机SVM关键知识

╰+攻爆jí腚メ 2022-12-25 11:58 58阅读 0赞

### 目录 ###

*  1 简介
 *  2 数据转换Data transformation
 *  3 通过SVM找到超平面
 *  4 SVM的优缺点
 *  5 SVM的应用

# 1 简介 #

Support vector machine ，SVM，是一种无监督学习算法基于训练集样本空间中找到一个划分超平面，将不同类别的样本分开。  
• 把数据映射到高维度特征空间  
• 找到一个分割器（线或面）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]

# 2 数据转换Data transformation #

核心Kernelling ： 就是把数据映射到更高维度的空间的过程  
核函数kernel function :把数据映射到更高维度空间的函数。 有各种类型的，线性linear 、 Polynomial 、RBF 、 Sigmoid。不用知道他们怎么实现的，直接有工具箱或者编程函数实现。  
一般不知道哪个核函数是合适的，只有通过尝试不同的核函数，计算得到结果，再找到结果最优的核函数。

# 3 通过SVM找到超平面 #

以二维数据举例，目的需要找到w和b。两条线表示容错范围，若训练样本落在此间隔带，则认为是被预测正确的。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 1]

# 4 SVM的优缺点 #

（1）优点  
• 在高维空间中准确  
• 高效记忆  
（2）缺点  
• 可能会过拟合  
• 没有概率估计  
• 只能适合小数据集

# 5 SVM的应用 #

（1）图片识别  
（2）文本类别分配(Text category assignment)  
（3）情绪分析（sentiment analysis）  
（4）检测垃圾邮件（Detecting Spam）  
（5）基因表达分类（Gene Expression Classificaton）  
（6）回归、离群值检测(outlier detection )和聚类

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/ca846512acd549568cf4377b21093b3f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/a2e3597f47d84413900b3939ef454c44.png