目錄
支援向量機SVM的詳細原理
SVM的定義
SVM理論
SVM應用執行個體，基于SVM的房價預測
支援向量機SVM的詳細原理
SVM的定義
支援向量機（support vector machines, SVM）是一種二分類模型，它的基本模型是定義在特征空間上的間隔最大的線性分類器，間隔最大使它有别于感覺機；SVM還包括核技巧，這使它成為實質上的非線性分類器。SVM的的學習政策就是間隔最大化，可形式化為一個求解凸二次規劃的問題，也等價于正則化的合頁損失函數的最小化問題。SVM的的學習算法就是求解凸二次規劃的最優化算法。
（1）支援向量機（Support Vector Machine, SVM）是一種對資料進行二分類的廣義線性分類器，其分類邊界是對學習樣本求解的最大間隔超平面。
（2）SVM使用鉸鍊損失函數計算經驗風險并在求解系統中加入了正則化項以優化結構風險，是一個具有稀疏性和穩健性的分類器 。
（3）SVM可以通過引入核函數進行非線性分類。
SVM理論
1，線性可分性
2，損失函數
