《机器学习Python实战》课件 16-项目8 支持向量机算法原理讲解.pptxVIP

?机器学习Python实战?项目8支持向量机算法实战

8.1.1SVM的概念SVM是弗拉基米尔·瓦普尼克（VladimirVapnik）等人根据统计学习理论中结构风险最小化原则提出的。SVM能够尽量提高学习机的推广能力，即由有限训练集得到的判别函数对独立测试集仍能够得到较小的误差。给定一组训练样本，每个训练样本被标记为属于两个类别中的一个，SVM算法创建一个将新样本分配给两个类别之一的模型，使其成为非概率二元线性分类模型。SVM模型将样本表示为空间中的点，这样映射就使每一类别的样本被尽可能宽的、明显的间隔分开，然后将新样本映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。

8.1.1SVM的概念我们首先来看看分类示意，将黑色的点和白色的点分别看作两类二维数据点，如果现在使用图中H?、H?、H?这3条直线表示3个分类模型，哪个分类模型比较好？很显然，H?的效果是最好的。H?没有将两个类别的数据点分开，H?虽然将两个类别数据点分开了，但是H?与最近的黑色数据点间隔较小，极易出现错误分类。

8.1.1SVM的概念分离超平面（separatinghyperplane）:用于将不同类别的数据点分开的直线或高维空间中的平面称为。数据点到分离超平面的距离称为间隔。能够将数据点分开的超平面往往存在多个，通常选择其中一个作为合理的最优超平面，选择标准是：该超平面应使两类