Svm基本知识与原理.pptVIP

Svm根本知识与原理;SVM入门〔一〕SVM的八股简介 支持向量机(Support Vector Machine)是Vapnik等于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他机器学习问题中。 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根底上的，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〕和学习能力〔即无错误地识别任意样本的能力〕之间寻求最正确折衷，以期获得最好的推广能力 。 所谓VC维是对函数类的一种度量，可以简单的理解为问题的复杂程度，VC维越高，一个问题就越复杂。结构风险最小听上去文绉绉，其实说的也无非是下面这回事。 ; 机器学习本质上就是一种对问题真实模型的逼近，但毫无疑问，真实模型一定是不知道的。那么我们选择的假设与问题真实解之间究竟有多大差距，我们就没法得知。这个与问题真实解之间的误差，就叫做风险。我们选择了一个假设后，真实误差无从得知， 但我们可以用某些可以掌握的量来逼近它。最直观的想法就是使用分类器在样本数据上的分类的结果与真实结果〔因为样本是已经标注过的数据，是准确的数据〕之间的差值来表示。这个差值叫做经验风险Remp(w)。以前的机器学习方法都把经验风险最小化作为努力的目标，但后来发现很多分类函数能够在样