扫码加入数据分析学习群

在机器学习中，支持向量机（SVM，也支持向量网络）是具有相关学习算法的监督学习模型，用于分析用于分类和回归分析的数据。
支持向量机（SVM）是由分离超平面正式定义的判别分类器。换句话说，给定标记的训练数据（监督学习），算法输出最佳超平面，其对新示例进行分类。

SVM方法建立在统计学VC维和结构风险最小化原则上，既可以用于分类（二/多分类）、也可用于回归和异常值检测。SVM具有良好的鲁棒性，对未知数据拥有很强的泛化能力，特别是在数据量较少的情况下，相较其他传统机器学习算法具有更优的性能。

什么是支持向量机？

SVM模型是将示例表示为空间中的点，映射使得单独类别的示例除以尽可能宽的明确间隙。
除了执行线性分类之外，SVM还可以有效地执行非线性分类，隐式地将它们的输入映射到高维特征空间。

SVM做什么？

给定一组训练示例，每个示例标记为属于两个类别中的一个或另一个，SVM训练算法构建将新示例分配给一个类别或另一个类别的模型，使其成为非概率二元线性分类器。

SVM的流程？　

使用SVM作为模型时，通常采用如下流程：

1. 对样本数据进行归一化
2. 应用核函数对样本进行映射（最常采用和核函数是RBF和Linear，在样本线性可分时，Linear效果要比RBF好）
3. 用cross-validation和grid-search对超参数进行优选
4. 用最优参数训练得到模型
5. 测试