SVM的本质是寻觅最大间隔的分割超平面。
SVM的假定也是在样本的每一个属性前面乘以1个系数，代价函数是基于LR演变而来的。LR中是S型函数的假定，SVM中是分段函数cost的情势，再包括正则项，最后SVM的代价函数为：
当C1般要设置地很大,这模样的SVM才能够找到最大间隔的超平面，thetaT*x>=1或thetaT*x<=⑴的时候，我们可以把第1项疏忽。这样，转换以后的SVM的目标函数就是我们熟习的：
我们构建拉格朗日函数：
分别对w和b求偏导，令偏导等于0，回代，可以得到w和b的最优解，以下：
W和b都是alpha表示的，我们使用SMO算法求得alpha。
利用核函数的概念，解决数据的线性不可分问题。核函数的作用，把显示映照到高维空间转换到隐式映照到高维空间。
SVM还可以扩大到多类分类中，利用one vs. one或one vs. other的规则。
SVM的优点：效果较好，既可以适用线性数据，也能够非线性。
缺点：对参数选择敏感。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
