SVM入门技术方案.docVIP

SVM入门-V.0 1 SVM入门（一） SVM的八股简介 2 2 SVM入门（二）线性分类器Part 1 3 3 SVM入门（三）线性分类器Part 2 5 4 SVM入门（四）线性分类器的求解——问题的描述Part1 7 5 SVM入门（五）线性分类器的求解——问题的描述Part2 8 6 SVM入门（六）线性分类器的求解 10 7 SVM 入门（七）为什么需要核函数 12 8 SVM入门（八）松弛变量 15 9 SVM入门（九）松弛变量（续） 18 10 SVM入门（十）将SVM用于多类分类 20 11 参考文献 24 李村合 整理 2010.10.29 SVM入门（一） SVM的八股简介 支持向量机(Support Vector MachineSVM)，是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其它机器学习问题中。 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，根据有限的样本信息，在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力（或称泛化能力）。 以上是经常被有关SVM 的学术文献引用的介绍，有点八股，我来逐一分解并解释一下。 Vapnik是统计机器