检验集选取参数建立SVM模型确定核函数.ppt

处理非线性分类和回归的新方法—支持向量机方法(SVM) （Support Vector Machine） 支持向量机方法(SVM)简介 （Support Vector Machine） 机器学习问题的提法 利用有限数量的观测来 寻求待求的依赖关系 训练样本集： 基于训练,从给定的函数集f (x,?), ?∈? 中选出最好逼近训练器响应的函数来 模式识别问题的图示 SVM的基本思路 通常习惯于把样本降维（向低维空间做投影）化简问题 通常采用线性化手段。（如取对数） SVM方法是把样本点“升维”，即映射到高维甚至无穷维空间，再在高维空间中采用处理线性问题的方法。 映射是非线性的，从而解决样本空间中的高度非线性问题。 升维的图示 非线性映射的图示 线 性 分 类 机 二类划分： 1.线性可划分 2.线性不可分 多类划分 支持向量机 模式识别 Support Vector Machines for Pattern Recognition 划分超平面区域 假定训练数据 可以被一个超平面 分开。 如果这个向量集合被超平面没有错误地分开， 并且距离超平面最近的向量与超平面之间的距离是最大的，则我们说这个向