支持向量机概述

Support Vector Machine SVM 是一类按监督学习(Supervised learning)方式对数据进行二元分类的广义线性分类器(Generalized linear classifier)其决策边界是对学习样本求解的最大编辑超平面(maximum-margin- hyperplane)与逻辑回归和神经网络相比，支持向量机，在学习复杂的非线性方程时提高了一种更为清晰，更加强大的方式。

硬、软间隔

硬间隔就是说分类完全正确

软间隔是说分类存在一定分类错误
在这里插入图片描述

线性可分、线性不可分

在这里插入图片描述

算法思想

找到结合边缘上的若干数据-支持向量（Support vector），用这些点找出一个超平面，使得支持向量到该平面（成为决策面）的距离最大
在这里插入图片描述

数学推导

在这里插入图片描述

线性可分向量机

在这里插入图片描述

线性支持向量机

在这里插入图片描述

线性不可分向量机

典型的降维打击
在这里插入图片描述

划重点！！调节参数时候要注意：
$\gamma$ 越大，支持向量越少，反正支持向量越多，
$C$ 是惩罚系数，即是对误差的宽容度， $C$ 越高，越不能容忍误差，容易过拟合，反之越小的时候，容易出现欠拟合。

重点总结：

$n$ 是特征数， $m$ 为训练样本数
（1）如果相较于m而言，n要大许多，即训练集数据量不够支持我们训练一个复杂的非线性模型，我们选用逻辑回归模型或者不带核函数的支持向量机。
（2）如果n较小，而且m大小中等，比如n在1-1000之间，而m在10-10000之间，使用高斯核函数的支持向量机
（3）如果n较小，而m较大，例如n在1-1000之间，而m大于50000，则使用支持向量机会非常慢，解决方案是创造、增加更多的特征，然后使用逻辑回归或不带核函数的支持向量机。