相似方法的原理及应用.docxVIP

相似方法的原理及应用 支持向量机（Support Vector Machines, SVM）是一种常用的机器学习算法，其目标是通过找到一个不同类别之间最大边距来分配类别，并用一个超平面（hyperplane）分割样本空间。 SVM 的基本原理是，在SVM中，我们搜索一个最佳的决策边界，它可以将两个类别的样本集分隔开来，并尽可能多地宽/保留样本之间的距离。因此，在SVM中，我们搜索将数据分割开来的‘最佳超平面’。 SVM具有多种有用的特点：它具有高精度和准确度以及高泛化能力，即使使用很少的训练数据也能产生出良好的结果；它可以同时处理多个类别，而不必建立多个模型；它在非线性分类中十分有用，并且解决得出现有数据结构（如视觉、语音、文本）的分类和回归问题。 SVM 的应用包括：文本和超文本分类；图像识别；语音和手写识别；生物信息学中的蛋白质和基因识别；医学影像分析；和股市市场分析等。 在尤其是文本分类中，考虑到词的顺序、情感和意图的问题，可以应用SVM方法来预测文本的内容，并做出决策。此外，SVM用于在机器识别中对图像进行分类。它可以处理多类别分类问题，且多数SVM算法都可以应用于处理复杂二进制图像，用于找出由特定模式组成的图像。 SVM在基于聚类的超文本索引中也得到了应用，它通过构建有关网络文档和查询之间的映射关系来构建一个Kernel，它可以帮助搜索引擎对文档进行快速检索。SVM还可用于界定数据集的聚类边界，以便识别出数据的分类，识别属于不同类别的新项，检测非结构异常，以及鉴别某些异常行为等。