一、概述
支持向量机（svm）
2017-11-01
1311
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
一、概述
目录
相关文章
|
4月前
|
机器学习/深度学习
算法
Serverless
什么是支持向量机（SVM）
支持向量机（Support Vector Machine，SVM）是一种用于分类问题的监督算法。主要用于二分类和多分类问题。其基本思想是找到一个超平面，能够将不同类别的样本点尽可能地分开，并使得离超平面最近的样本点尽可能远离超平面，从而实现较好的分类效果。
SVM的关键是找到一个最优的超平面，这个超平面可以通过使得最靠近超平面的样本点之间的间隔最大化来定义。这些最靠近超平面的样本点被称为支持向量。SVM的优化目标可以表示为一个凸二次规划问题，可以通过求解对应的拉格朗日函数来得到最优解。
49
0
0
|
3月前
|
机器学习/深度学习
算法
Serverless
支持向量机（SVM）
支持向量机（Support Vector Machine，SVM）是一种用于分类问题的监督算法。主要用于二分类和多分类问题。其基本思想是找到一个超平面，能够将不同类别的样本点尽可能地分开，并使得离超平面最近的样本点尽可能远离超平面，从而实现较好的分类效果。
SVM的关键是找到一个最优的超平面，这个超平面可以通过使得最靠近超平面的样本点之间的间隔最大化来定义。这些最靠近超平面的样本点被称为支持向量。SVM的优化目标可以表示为一个凸二次规划问题，可以通过求解对应的拉格朗日函数来得到最优解。
SVM除了能够处理线性可分离的问题外，还可以通过核函数的引入处理线性不可分的问题，将样本映射到高维空间，从而
31
0
0
|
6月前
|
机器学习/深度学习
数据采集
算法
|
8月前
|
机器学习/深度学习
算法
Python
|
机器学习/深度学习
运维
算法
|
机器学习/深度学习
|
机器学习/深度学习
算法
|
机器学习/深度学习
|
机器学习/深度学习
算法
10 SVM - 核函数
2046
0
0
|
机器学习/深度学习