Python AI教程之二十一：监督学习之支持向量机（SVM）算法

支持向量机（SVM）算法

支持向量机(SVM)是一种功能强大的呆板学习算法，广泛用于线性和非线性分类以及回归和非常值检测使命。SVM 具有很强的顺应性，实用于各种应用，比方文天职类、图像分类、垃圾邮件检测、字迹辨认、基因表达分析、人脸检测和非常检测。

SVM 特殊有用，由于它们专注于探求目标特性中差异种别之间的最大分离超平面，从而使其对二分类和多分类都具有鲁棒性。在本大纲中，我们将探究支持向量机 (SVM)算法、其应用以及它怎样有用地处置惩罚线性和非线性分类以及回归和非常值检测使命。

目次

  

• 支持向量机  
  
• 支持向量机算法怎样工作？  
  
• 支持向量机术语  
  
• 数学盘算：SVM  
  
• 支持向量机的范例  
  
• SVM中的盛行核函数  
  
• 在 Python 中实现 SVM 算法  
  
• 支持向量机（SVM）的优点和缺点
  

支持向量机

支持向量机(SVM)是一种监督式呆板学习算法，可用于分类和回归使命。固然 SVM 可以应用于回归标题，但它最适实用于分类使命。SVM算法的重要目标是在 N 维空间中确定最佳超平面，该超平面可以有用地将数据点分为特性空间中的差异种别。该算法可确保差异种别的近来点（称为支持向量）之间的边距最大化。

超平面的维度取决于特性的数量。比方，如果有两个输入特性，超平面就是一条线，如果有三个输入特性，超平面就变成一个二维平面。随着特性数量凌驾三个，可视化超平面的复杂性也会增长。

思量两个独立变量x1和x2，以及一个因变量，用蓝色圆圈或赤色圆圈体现。

  

• 在这种情况下，超平面是一条线，由于我们正在处置惩罚两个特性（x1和x2）。  
  
• 有多条线（或超平面）可以分隔数据点。  
  
• 挑衅在于确定最大化赤色和蓝色圆圈之间分离边沿的最佳超平面。
  

线性可分离数据点  

从上图中可以清晰地看出，有多条线（此处的超平面是一条线，由于我们只思量两个输入特性 x 1、 x 2）将我们的数据点分隔开或在赤色和蓝色圆圈之间举行分类。那么我们怎样选择最佳的线或一样寻常来说最佳的超平面来分隔我们的数据点呢？

支持向量机算法怎样工作？

支持向量机 (SVM)中最佳超平面的一个公道选择是最大化两个类