SVM简介完整版本.pptxVIP

支持向量机简介

（supportvectormachine）苏志铭2015.5.20

OutlineSVM简介线性分类器线性分类器求解核函数松弛变量SVM的多分类总结

SVM简介支持向量机，因其英文名为supportvectormachine，故一般简称SVM，支持向量机是Cortes和Vapnik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基础上的，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，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力。VC维：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：结构风险为经验风险与置信风险之和。经验风险，代表了分类器在给定样本上的误差；置信风险，代表了我们在多大程度上可以信任分类器在未知文本上分类的结果。

线性分类器通俗来讲，SVM是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。以右图为例，在一