定义类之间的“裕度”——支持向量机寻求优化的标准。
金宝app支持向量是指识别分离超平面的位置的培训观测的子集。标准SVM算法配制用于二进制分类问题，并且通常减少到一系列二进制问题的多字符问题。
| SVM类型 | 美世内核 | 描述 |
|---|---|---|
| 高斯或径向基函数（RBF） | \（k（x_1，x_2）= \ exp \ left（ - \ frac {\ | x_1 - x_2 \ | ^ 2} {2 \ sigma ^ 2} \右）\） | 一班学习\(\sigma\）是内核的宽度 |
| 线性 | \（k（x_1，x_2）= x_1 ^ {\ mathsf {t}} x_2 \） |
两类学习。 |
| 多项式 | \（k（x_1，x_2）= \左（x_1 ^ {\ mathsf {t}} x_2 + 1 \右）^ {\ rho} \） |
\（\ rho \）是多项式的顺序 |
| 乙状结肠 | \（k（x_1，x_2）= \ tanh \ left（\ beta__ {0} x_1 ^ {\ mathsf {t}} x_2 + \ beta_ {1} \右）\） |
它是某些\（\ beta_ {0} \）的Mercer内核，\（\ beta__ {1} \）值 |
训练一个支持向量机对应金宝app于解决一个问题二次优化适用于超平面的问题，可最大限度地减少课程之间的柔和余量。变换特征的数量由支持向量的数量决定。金宝app
关键点：
- 金宝app支持向量机是流行的，在许多分类和回归任务上实现了良好的性能。
- 虽然支持向量金宝app机被配制用于二进制分类，但是通过组合多个二进制分类器来构建多级SVM。
- 核函数使支持向量机更加灵活，能够处理非线性问题。
- 只需要从训练数据中金宝app选择的支持向量来构建决策表面。培训后，其余培训数据是无关紧要的，产生适合自动化代码生成的模型的紧凑表示。
例子
金宝app支持向量机也可以通过构造一个类SVM来用于异常检测，其决策边界确定对象是否属于使用异常阈值所属的“正常”类。在此示例中，MATLAB将所有示例根据异常值的目标分数作为参数映射到单个类别，如下所示：fitcsvm（样本，个（…），‘异常分数’，…）。该图显示了一系列的分离超平面离群分数用于来自人类活动分类任务的数据。
