金宝app支持向量机（SVM）

学习最佳超平面作为决策边界

支持金宝app向量机（SVM）是一个监督学习用于许多分类和回归问题的算法，包括信号处理医疗应用，自然语言处理和语音和语音图像识别。

SVM算法的目的是找到一个超平面，以最佳程度可以将一个类的数据点与另一个类的数据点分开。“BEST”被定义为具有两个类之间最大边距的超平面，由PLUS与减号表示下图。边缘是指与没有内部数据点的超平面平行的板坯的最大宽度。只有线性可分离的问题，算法可以找到这样的超平面，因为大多数实际问题，算法最大化允许少量错误分类。

定义类之间的“边际”——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。

深入挖掘数学细节，支持向量机属于一类金宝app机器学习算法称为核方法，其中特征可以使用核函数进行转换。核函数将数据映射到一个不同的、通常是高维的空间，并期望这些类在转换后更容易分离，潜在地将复杂的非线性决策边界简化为高维映射特征空间中的线性边界。在此过程中，不需要显式地转换数据，这在计算上非常昂贵。这通常被称为内核技巧。

马铃薯®金宝app支持几个内核，包括：

SVM类型 美世的内核 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）\） 一个班学习。是核的宽度
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

训练支持向量机对应于求金宝app解a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,(…),‘OutlierFraction’,…)。图中显示了范围内分离的超平面OutlierFractions用于来自人类活动分类任务的数据。

也可以看看：统计和机器学习工具箱那用MATLAB进行机器学习那机器学习模型那生物医学信号处理