支持向量机 (SVM)算法的原理及优缺点 |
您所在的位置:网站首页 › 非线性规划fmincon的优点和缺点 › 支持向量机 (SVM)算法的原理及优缺点 |
支持向量机(Support Vector Machine,常简称为SVM)是一种监督式学习的方法,可广泛地应用于统计分类以及回归分析。 它是将向量映射到一个更高维的空间里,在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面,分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大,分类器的总误差越小 支持向量机的基本思想 对于线性可分的任务,找到一个具有最大间隔超平面 实验一般步骤:(1)导入数据; (2)数据归一化; (3)执行svm寻找最优的超平面; (4)绘制分类超平面核支持向量; (5)利用多项式特征在高维空间中执行线性svm (6)选择合适的核函数,执行非线性svm; 算法优缺点:算法优点: (1)使用核函数可以向高维空间进行映射 (2)使用核函数可以解决非线性的分类 (3)分类思想很简单,就是将样本与决策面的间隔最大化 (4)分类效果较好 算法缺点: (1)SVM算法对大规模训练样本难以实施 (2)用SVM解决多分类问题存在困难 (3)对缺失数据敏感,对参数和核函数的选择敏感 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |