支持向量机方法.ppt

知识管理与数据分析实验室 知识管理与数据分析实验室 支持向量机 肖莹 * * 知识管理与数据分析实验室 支持向量机 支持向量机(Support Vector Machine,简称SVM)是在统计学习理论基础上提出一种新型通用的机器学习方法。它建立在结构风险最小化原则基础之上，具有很强的学习能力。 * 知识管理与数据分析实验室 * 支持向量机 其主要借助于最优化方法解决数据挖掘中的分类问题，是数据挖掘技术中一个新的研究热点。它是统计学习理论中最年轻也最实用的部分，在很多领域得到了成功应用，如人脸检测、手写数字识别、文本分类、生物信息学等。 * 知识管理与数据分析实验室 * 支持向量机的提出 SVM理论源于Vapinik在1963年提出的用于解决模式识别问题的支持向量方法。这种方法从训练集中选择一组特征子集, 使得对特征子集的线性划分等价于对整个数据集的分割。这组特征子集称为支持向量SV。在此后近30年中, 对SV的研究主要集中在对分类函数的改进和函数预测上。 * 知识管理与数据分析实验室 * 支持向量机的提出 在1971年,Kimel-dorf提出使用线性不等约束重新构造SV的核空间, 解决了一部分线性不可分的问题, 为以后SVM的研究开辟了道路。1990年, Grace, Boster和Vapnik等人开始对SVM技术进行研究, 并取得突破性进展。1995年, Vapnik提出了统