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:
三个资料Q群下载不了也转发不了,先放这里Fine_tuning.zipLangChain.zipdata_clear.rar