人工智能技术应用与风险管理手册（执行版）.docx

技术应用与风险管理手册（执行版）

第1章技术基础与核心架构

1.1主流算法原理与技术路线

支持向量机（SVM）通过寻找高维空间中的最大间隔超平面来分类数据，其核心在于“核函数”将非线性问题映射到高维空间，例如在医疗诊断中，利用核函数将患者的基因序列映射到100维空间，从而准确区分癌症类型。随机森林算法通过构建成百上千棵决策树并进行多数投票来降低过拟合风险，其特点是“二阶导数”即平均误差，适合处理非线性关系，如在图像识别中识别猫狗图片时，每棵树负责提取不同角度的特征。

梯度下降法通过计算损失函数对参数的梯度方向来更新权重，它是神经网络训练的核心，例如在语音识别中，利用梯度下降调