一文看懂支持向量机 SVM（附：6个有点+5个缺点）

Home
AI 知识库
AI 算法

支持向量机 – Support Vector Machine | SVM

文章目录

什么是支持向量机？

支持向量机可能是最流行和最受关注的机器学习算法之一。超平面是分割输入变量空间的线。在SVM中，选择超平面以最佳地将输入变量空间中的点与它们的类（0级或1级）分开。在二维中，您可以将其视为一条线，并假设我们的所有输入点都可以被这条线完全分开。SVM学习算法找到导致超平面最好地分离类的系数。支持向量机超平面与最近数据点之间的距离称为边距。可以将两个类分开的最佳或最佳超平面是具有最大边距的线。只有这些点与定义超平面和分类器的构造有关。这些点称为支持向量。它们支持或定义超平面。实际上，优化算法用于找到使裕度最大化的系数的值。 SVM可能是最强大的开箱即用分类器之一，值得尝试使用您的数据集。支持向量机的基础概念可以通过一个简单的例子来解释。让我们想象两个类别：红色和蓝色，我们的数据有两个特征：x 和 y。我们想要一个分类器，给定一对（x，y）坐标，输出仅限于红色或蓝色。我们将已标记的训练数据列在下图中：支持向量机会接受这些数据点，并输出一个超平面（在二维的图中，就是一条线）以将两类分割开来。这条线就是判定边界：将红色和蓝色分割开。但是，最好的超平面是什么样的？对于 SVM 来说，它是最大化两个类别边距的那种方式，换句话说：超平面（在本例中是一条线）对每个类别最近的元素距离最远。这里有一个视频（视频地址）解释可以告诉你最佳的超平面是如何找到的。

SVM的优缺点

优点

可以解决高维问题，即大型特征空间；
解决小样本下机器学习问题；
能够处理非线性特征的相互作用；
无局部极小值问题；（相对于神经网络等算法）
无需依赖整个数据；
泛化能力比较强；缺点
当观测样本很多时，效率并不是很高；
对非线性问题没有通用解决方案，有时候很难找到一个合适的核函数；
对于核函数的高维映射解释力不强，尤其是径向基函数；
常规SVM只支持二分类；
对缺失数据敏感；

百度百科版本

支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。在机器学习中，支持向量机（SVM，还支持矢量网络）是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。查看详情

维基百科版本

在机器学习中，支持向量机（SVM）是具有相关学习算法的监督学习模型，其分析用于分类和回归分析的数据。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训练算法构建一个模型，将新示例分配给一个类别或另一个类别，使其成为非概率二元线性分类器。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。然后将新的示例映射到同一空间，并根据它们落在哪个边缘预测属于一个类别。除了执行线性分类之外，SVM还可以使用所谓的内核技巧有效地执行非线性分类，将其输入隐式映射到高维特征空间。查看详情

扩展阅读

入门类文章（4）如何优雅地读懂支持向量机SVM算法从零推导支持向量机 (SVM) 详解支持向量机SVM：快速可靠的分类算法学习SVM，这篇文章就够了！（附详细代码）实践类文章（3）用实验理解SVM的核函数和参数 svm核函数的理解和选择对比图像分类五大方法：KNN、SVM、BPNN、CNN和迁移学习 2019年1月3日 by 打不死的小强 Updated: 2022年8月15日

AI 算法, 机器学习, 计算机视觉

Support Vector Machine, SVM, 支持向量机, 机器学习 Thanks for your rating! You have already rated this article An error occured, please try again later

Was This Article Helpful?

常见问题

这篇文章讲了什么？

本文介绍了相关AI概念的基本原理和应用场景。

有什么实际应用？

该技术在计算机视觉、自然语言处理、推荐系统等领域有广泛应用。