原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
支持向量机回归支持向量机支持向量机是美国教授于年代提出的年代后成为了很受欢迎的机器学习方法它将输入样本集合变换到高维空间使得其分离性状况得到改善它的结构酷似三层感知器是构造分类规则的通用方法方法的贡献在于它使得人们可以在非常高维的空间中构造出好的分类规则为分类算法提供了统一的理论框架作为副产品从理论上解释了多层感知器的隐蔽层数目和隐节点数目的作用因此将神经网络的学习算法纳入了核技巧范畴所谓核技巧就是找一个核函数使其满足代替在特征空间中内积的计算因为对于非线性分类一般是先找一个非线性映射将输入数据
3．支持向量机（回归）
3.1.1 支持向量机
支持向量机（ SVM）是美国 Vapnik 教授于 1990 年代提出的， 2000 年代后成
为了很受欢迎的机器学习方法。 它将输入样本集合变换到高维空间使得其分离性
状况得到改善。它的结构酷似三层感知器，是构造分类规则的通用方法。 SVM方
法的贡献在于， 它使得人们可以在非常高维的空间中构造出好的分类规则， 为分
类算法提供了统
文档评论（0）