1. 17.9 SVM总结
1.1. 1 SVM基本综述
- SVM是一种二类分类模型。
- 它的基本模型是在特征空间中寻找间隔最大化的分离超平面的线性分类器。
- 1）当训练样本线性可分时，通过硬间隔最大化，学习一个线性分类器，即线性可分支持向量机；
- 2）当训练数据近似线性可分时，引入松弛变量，通过软间隔最大化，学习一个线性分类器，即线性支持向量机；
- 3）当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。
1.2. 2 SVM优缺点：
- SVM的优点：
- 在高维空间中非常高效；
- 即使在数据维度比样本数量大的情况下仍然有效；
- 在决策函数（称为支持向量）中使用训练集的子集,因此它也是高效利用内存的；
- 通用性：不同的核函数与特定的决策函数一一对应；
- SVM的缺点：
- 如果特征数量比样本数量大得多，在选择核函数时要避免过拟合；
- 对缺失数据敏感;
- 对于核函数的高维映射解释力不强