目录

1 简介

Support vector machine ，SVM，是一种无监督学习算法基于训练集样本空间中找到一个划分超平面，将不同类别的样本分开。

• 把数据映射到高维度特征空间
• 找到一个分割器（线或面）

2 数据转换Data transformation

核心Kernelling ： 就是把数据映射到更高维度的空间的过程
核函数kernel function :把数据映射到更高维度空间的函数。 有各种类型的，线性linear 、 Polynomial 、RBF 、 Sigmoid。不用知道他们怎么实现的，直接有工具箱或者编程函数实现。
一般不知道哪个核函数是合适的，只有通过尝试不同的核函数，计算得到结果，再找到结果最优的核函数。

3 通过SVM找到超平面

以二维数据举例，目的需要找到w和b。两条线表示容错范围，若训练样本落在此间隔带，则认为是被预测正确的。

4 SVM的优缺点

（1）优点

• 在高维空间中准确
• 高效记忆

（2）缺点

• 可能会过拟合
• 没有概率估计
• 只能适合小数据集

  5 SVM的应用

  （1）图片识别
  （2）文本类别分配(Text category assignment)
  （3）情绪分析（sentiment analysis）
  （4）检测垃圾邮件（Detecting Spam）
  （5）基因表达分类（Gene Expression Classificaton）
  （6）回归、离群值检测(outlier detection )和聚类