1,526
个编辑
更改
跳到导航
跳到搜索
第6行：
第6行： − + − 第27行：
第26行： − SVM可以用于解决多种真实世界的问题：+
无编辑摘要
[[File:S3VMsmall_c.gif|400px|thumb|right|利用SVM的模式识别学习过程]]
[[File:S3VMsmall_c.gif|400px|thumb|right|利用SVM的模式识别学习过程]]
在机器学习中，'''支持向量机 support vector machine'''，常简称为SVM，又名支持向量网络<ref name="cortes95">[https://en.wikipedia.org/wiki/Corinna_Cortes Cortes, Corinna]; Vapnik, Vladimir N. (1995). "Support-vector networks". [https://en.wikipedia.org/wiki/Machine_Learning_(journal) Machine Learning]. 20 (3): 273–297. doi:10.1007/BF00994018</ref>，指的是一种有'''监督式学习'''的模型及其相关的学习算法，广泛用于[https://zh.wikipedia.org/wiki/%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98 分类]及[https://zh.wikipedia.org/wiki/%E8%BF%B4%E6%AD%B8%E5%88%86%E6%9E%90 回归分析]。当给定一组训练实例，并标记这些训练实例属于两个类别的其中之一，SVM训练算法基于这些实例创建一个模型将新的实例归类为两个类别中的一个，使其成为非概率'''二元线性分类器'''(尽管SVM中有些方法如[https://en.wikipedia.org/wiki/Platt_scaling 概率输出]会在概率分类集合中使用)。SVM模型将实例表示为空间中的点，使得不同类别的实例被尽可能明显的间隔所分开。然后，新的实例将被映射到同一空间中，并基于它们落在间隔的哪一侧来预测其所属类别。
在机器学习中，'''支持向量机 support vector machine'''，常简称为SVM，又名支持向量网络<ref name="cortes95">[https://en.wikipedia.org/wiki/Corinna_Cortes Cortes, Corinna]; Vapnik, Vladimir N. (1995). "Support-vector networks". [https://en.wikipedia.org/wiki/Machine_Learning_(journal) Machine Learning]. 20 (3): 273–297. doi:10.1007/BF00994018</ref>，是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。广泛用于[https://zh.wikipedia.org/wiki/%E5%88%86%E7%B1%BB%E9%97%AE%E9%A2%98 分类]及[https://zh.wikipedia.org/wiki/%E8%BF%B4%E6%AD%B8%E5%88%86%E6%9E%90 回归分析]。当给定一组训练实例，并标记这些训练实例属于两个类别的其中之一，SVM训练算法基于这些实例创建一个模型将新的实例归类为两个类别中的一个，使其成为非概率'''二元线性分类器'''(尽管SVM中有些方法如[https://en.wikipedia.org/wiki/Platt_scaling 概率输出]会在概率分类集合中使用)。SVM模型将实例表示为空间中的点，使得不同类别的实例被尽可能明显的间隔所分开。然后，新的实例将被映射到同一空间中，并基于它们落在间隔的哪一侧来预测其所属类别。
除了进行线性分类之外，SVM还可以使用所谓的[https://zh.wikipedia.org/w/index.php?title=%E6%A0%B8%E6%8A%80%E5%B7%A7&action=edit&redlink=1 核技巧]实现有效地非线性分类，将其输入实例映射到高维特征空间中。对于未标记数据，无法进行有监督式学习，但是可以使用'''非监督式学习'''进行训练。非监督式学习会尝试找出数据到簇的自然聚类，并将新数据映射到这些已形成的簇中。Hava Siegelmann 和 Vladimir Vapnik创造了支持向量聚类<ref name="ben01">Ben-Hur, Asa; Horn, David; Siegelmann, Hava; and Vapnik, Vladimir N.; "Support vector clustering"; (2001); Journal of Machine Learning Research, 2: 125–137</ref>算法，该算法利用支持向量机算法生成的支持向量统计数据对未标记的数据分类。这一算法也成为了工业应用最广泛的聚类算法之一。
除了进行线性分类之外，SVM还可以使用所谓的[https://zh.wikipedia.org/w/index.php?title=%E6%A0%B8%E6%8A%80%E5%B7%A7&action=edit&redlink=1 核技巧]实现有效地非线性分类，将其输入实例映射到高维特征空间中。对于未标记数据，无法进行有监督式学习，但是可以使用'''非监督式学习'''进行训练。非监督式学习会尝试找出数据到簇的自然聚类，并将新数据映射到这些已形成的簇中。Hava Siegelmann 和 Vladimir Vapnik创造了支持向量聚类<ref name="ben01">Ben-Hur, Asa; Horn, David; Siegelmann, Hava; and Vapnik, Vladimir N.; "Support vector clustering"; (2001); Journal of Machine Learning Research, 2: 125–137</ref>算法，该算法利用支持向量机算法生成的支持向量统计数据对未标记的数据分类。这一算法也成为了工业应用最广泛的聚类算法之一。
== 应用==
== 应用==
SVM可以用于解决真实世界中的许多问题：
*用于[https://zh.wikipedia.org/wiki/%E6%96%87%E6%A1%A3%E5%88%86%E7%B1%BB 文本和超文本的分类]，在归纳和[https://en.wikipedia.org/wiki/Transduction_(machine_learning) 转导]方法中都可以显著减少所需要的有类标的样本数。
*用于[https://zh.wikipedia.org/wiki/%E6%96%87%E6%A1%A3%E5%88%86%E7%B1%BB 文本和超文本的分类]，在归纳和[https://en.wikipedia.org/wiki/Transduction_(machine_learning) 转导]方法中都可以显著减少所需要的有类标的样本数。