你知道支援向量機（SVM）是什麼意思嗎？

超外行解釋：支援向量機是用來解決分類問題的。 首先考慮最簡單的情況，豌豆和公尺粒，它們可以用太陽快速分離，小顆粒洩漏下來，大顆粒保留下來。

它用乙個函式表示，當直徑d大於某個值d時，判斷為豌豆，小於某個值為一粒公尺。 D>d，豌豆D<>

SVM - 支援向量機。

它是一種監督學習演算法，屬於分類範疇。 在資料探勘中。

，這與無監督聚類相對應，但又不同於無監督聚類。

廣泛應用於機器學習。

機器學習）、計算機視覺。

計算機視覺）和資料探勘。假設我們想通過第 38 度線將實心圓和空心圓分為兩類。 然後還有無數的線路可以完成這項任務。

在 SVM 中，我們尋找最佳分界線。

使其成為雙方最大的利潤。

在這種情況下，帶有粗體邊緣的少數資料點稱為支援向量，這也是該分類演算法的名稱。 we got a bunch of data points in a n- dimensional to infinite-dimensional space, then one can always find a optimal hyperplane which is always in the n-1 dimension.我舉個例子，當你給 SVM 一段文字，比如“這個手機螢幕很大，我喜歡它”，你想知道這個文字的情緒傾向是正面的還是負面的，你把這段文字扔給 SVM 分類器，SVM 會告訴你它的情緒是正面的。

但現在我們還有乙個選擇，“中立”。 <

SVM - 支援向量機，俗稱支援向量機，是一種屬於分類範疇的監督學習演算法。 在資料探勘的應用中，它對應於無監督的聚類，又不同於無監督聚類。

它廣泛應用於機器學習、計算機視覺和資料探勘。

假設你想在第 38 行之前將實心圓和空心圓分為兩類，那麼有無數條線可以完成這個任務。 在 SVM 中，找到一條最佳分界線使其成為兩邊的最大邊距。

SVM 將向量對映到更高維的空間，在該空間中建立最大間距的超平面。 在分隔資料的超平面的兩側構建了兩個並行超平面。 劃分超平面可使兩個平行超平面之間的距離最大化。

假設平行超平面之間的距離或間隙越大，分類器的總誤差就越小。

它是一種監督學習方法，廣泛用於統計分類和回歸分析。

C為懲罰係數，理解為兩個指標（區間大小和分類精度）在優化方向上的偏好權重，即誤差容差，c越高，誤差越不容許，容易過擬合，c越小，越容易欠擬合， C越小，越容易欠擬合，C過大或過小，泛化能力變差。

gamma 是選擇核心後 rbf 函式附帶的引數。 gamma 越大，支援檔案正向量越小，gamma 值越小，支援向量越多。 支援向量的數量會影響訓練速度和 **。