SVM(Support Vector Machine)
2015-08-01 20:24
387 查看
SVM:典型的二类分类器。在小样本、非线性和高维模式识别(样本维数高)中体现了比较大的优势。主要用于模式识别,分类和回归。(基本上可以称为最好的有监督学习算法)。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的。(结构风险=经验风险+置信风险)。其基本模型定义为特征空间上的间隔最大的线性分类器,其学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。间隔越大,则越能区分分类的类别。
基本原理:
将所有有待分类的点映射到“高维空间”,然后在高维空间找到一个能将这些点分类的“超平面”。但是这个超平面不是唯一的,因此我们必须寻找这两类点间的“最大间隔”。为什么要最大间隔呢?因为两类间的间隔越大,那么对于分类则越准确,而也就更具有推广泛化能力。
参考博文:
http://www.cnblogs.com/jerrylead/archive/2011/03/13/1982639.html
基本原理:
将所有有待分类的点映射到“高维空间”,然后在高维空间找到一个能将这些点分类的“超平面”。但是这个超平面不是唯一的,因此我们必须寻找这两类点间的“最大间隔”。为什么要最大间隔呢?因为两类间的间隔越大,那么对于分类则越准确,而也就更具有推广泛化能力。
参考博文:
http://www.cnblogs.com/jerrylead/archive/2011/03/13/1982639.html
相关文章推荐
- LSI SVM 挑战IBM SVC
- 支持向量机(SVM)算法概述
- 锻造模拟:接触+弹塑性分析
- 带摩擦的接触分析实例
- 四维超立方体在三维世界的动态投影(使用three.js)
- [转载]用opencv实现svm
- Learning to ranking简介
- 结构风险最小和VC维理论的解释
- SVM学习
- OpenCV之CvANN_MLP和CvSVM测试
- svm代码c++——机器学习
- svm支持向量机
- Hog SVM 车辆识别
- 基于SIFT特征和SVM的图像分类
- 阅读笔记之:Multimodal learning in Loosely-organized web images-CVPR2014
- svm详细总结
- 关于音响系统参数测试的主要参数之一: THD+N(总谐波失真加噪声)
- libsvm的使用
- LibSVM 3.12的源码分析Svm-train.c
- libsvm 使用介绍