支持向量机_with_python
在本笔记本中,我们介绍了支持向量机(SVM)算法,这是一种功能强大但简单的监督学习方法,用于预测数据。 对于分类任务,SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下,这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归,构造了超平面以映射数据分布。 在这两种情况下,这些超平面均以非概率方式映射线性结构。 但是,通过采用内核技巧,我们可以将非线性数据集转换为线性数据集,从而使SVM可以应用于非线性问题。 SVM是功能强大的算法,已得到广泛普及。 这部分是由于它们在高维特征空间中有效,包括那些特征数与实例数相似或略微超过实例数的问题。 与具有大量数据集的内存需求很高的KNN不同,SVM可以提高内存效率,因为仅需要支持向量即可计算超平面。 最后,通过使用不同的内核,SVM可以应用于各种学习任务。 另一方面,这些模型是黑匣子,很难解释
1