SVM的优缺点_CDA答疑社区

热线电话：13121318867

登录

809669515

2018-10-25 阅读量: 1523

SVM的优缺点

SVM的主要思想可以概括为两点：

它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
它基于结构风险最小化理论之上在特征空间中构建最优超平面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。

SVM的主要优点：

支持向量机广泛模式识别领域中的文本识别,中文分类,人脸识别等，同时也应用到许多的工程技术和信息过滤等方面.
SVM 基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的“转导推理”,大大简化了通常的分类和回归等问题；
SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数,这在某种意义上避免了“维数灾难”。

SVM的主要缺点：

SVM算法对大规模训练样本难以实施
用SVM解决多分类问题存在困难

9.7428

1

2

关注作者

收藏

评论(0)

发表评论

暂无数据

CDA考试动态

CDA报考指南

推荐帖子