SVM
基本概念
支援向量機(support vector machines,SVM)是一種二分類模型,它将執行個體的特征向量映射為空間中的一些點,SVM 的目的就是想要畫出一條線,以 “最好地” 區分這兩類點,以至如果以後有了新的點,這條線也能做出很好的分類。SVM 适合中小型資料樣本、非線性、高維的分類問題。
分類
線性可分支援向量機
SVM 将會尋找可以區分兩個類别并且能使間隔(margin)最大的劃分超平面。比較好的劃分超平面,樣本局部擾動時對它的影響最小、産生的分類結果最魯棒、對未見示例的泛化能力最強。
過渡帶越寬,泛化能力越強,更能防止過拟合
損失函數
0/1損失
logistic損失函數
Hinge損失函數
y=1-d 求最小值 損失的和
軟間隔最大化
核函數
解決線性不可分
将向量的次元從低維映射到高維
降低運算複雜度降低運算複雜度
分類
多項式核函數
Sigmoid核函數
高斯核是無窮維的 RBF核
分類器名額
accuracy,precision,recall