支持向量机在风险评估的运用实例bySeven.docxVIP

支持向量机方法在风险评估的运用OK —、支持向量机介绍 支持向量机(support vector machines)是由贝尔实验室研究者Vapnik于 20世纪90年代最先提出的一种新的机器学习理论，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和学 习能力之间寻求最佳折衷，以期获得最好的推广能力。支持向量机从诞生至今才 10多年，发展史虽短，但其理论研究和算法实现方面却都取得了突破性进展， 有力地推动机器学习理论和技术的发展。这一切与支持向量机具有较完备的统计 学习理论基础的发展背景密不可分。统计学习理论领域里把学习问题看作是利用 有限数量的观测来寻找待求的依赖关系的问题。而基于数据的机器学习问题，则 是根据已知样本估计数据之间的依赖关系，从而对未知或无法测量的数据进行预 测和判断。支持向量机方法是统计学习理论中最年轻的部分，日前仍处于不断发 展阶段。支持向量机是从线性可分情况下的最优分类而发展而来的。其慕本思想 可用图3-3的两维情况说明。 图3?3：支持向量机的分类面 图3-3中，实心点和空心点代表两类样本，H为分类线，Hl、H2分别为过两 类中离分类线最近的样木且平行于分类线的直线，它们之间的距离叫做分类间 隔。所谓最优分类线就是要求分类线不但能将两类样木正确分开(训练错误率为 0),而且使分类间隔最大，右图的H即为最优分类线