如何实现Python中的支持向量机分类器？
- 内容介绍
- 文章标签
- 相关推荐
本文共计751个文字，预计阅读时间需要4分钟。
%E2%80%9C%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA%EF%BC%88SVM%EF%BC%89%E6%98%AF%E4%B8%80%E7%A7%8D%E6%8C%89%E7%9B%91%E5%AD%A6%E4%B9%A0%E6%96%B9%E5%BC%8F%EF%BC%8C%E5%9C%A8%E6%95%B0%E6%8D%AE%E4%B8%8A%E5%AE%9E%E7%8E%B0%E5%85%83%E7%B1%BB%E5%88%86%E7%B1%BB%EF%BC%8C%E5%85%B6%E5%86%B3%E7%AD%96%E8%BE%B9%E7%95%8C%E6%98%AF%E5%AF%B9%E5%AD%A6%E4%B9%A0%E6%A0%B7%E6%9C%AC%E6%9C%80%E5%A4%A7%E8%BE%B9%E7%9A%84%E6%9E%84%E6%9E%B6%E2%80%9D
支持向量机（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边距超平面（maximum-margin hyperplane）
SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一。
本文共计751个文字，预计阅读时间需要4分钟。
%E2%80%9C%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA%EF%BC%88SVM%EF%BC%89%E6%98%AF%E4%B8%80%E7%A7%8D%E6%8C%89%E7%9B%91%E5%AD%A6%E4%B9%A0%E6%96%B9%E5%BC%8F%EF%BC%8C%E5%9C%A8%E6%95%B0%E6%8D%AE%E4%B8%8A%E5%AE%9E%E7%8E%B0%E5%85%83%E7%B1%BB%E5%88%86%E7%B1%BB%EF%BC%8C%E5%85%B6%E5%86%B3%E7%AD%96%E8%BE%B9%E7%95%8C%E6%98%AF%E5%AF%B9%E5%AD%A6%E4%B9%A0%E6%A0%B7%E6%9C%AC%E6%9C%80%E5%A4%A7%E8%BE%B9%E7%9A%84%E6%9E%84%E6%9E%B6%E2%80%9D
支持向量机（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边距超平面（maximum-margin hyperplane）
SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一。