SVM要点总结（一）

标签：重要   img   jpg   方便   维数   资料   com   pat   python实现   

序

SVM支持向量机作为统计分类和回归分析中的重要方法，其理论推导难度较大，根据自己查阅的相关资料，按照问题理解、待处理数据是否可分的判断、主要推导过程、核函数的选择及推导、核函数的选择原则、python实现的相关方法、超参数调优等内容，以粗线条的方式，总结如下要点，方便查阅和易于理解：

1.问题分解

SVM是寻求最优的分割超平面问题<=>带一系列不等式约束的优化问题。

2.待处理数据是否可分的判断

（1）低维数据（1,2维），可有图清晰看出是否可分；

（2）高维数据（>2维）：将数据转换成凸包（scipy.spatial.qhull()），再判断凸包是否相交（sweepline()未找到相关资料）。若相交，则不可分；否则，可分。

3.主要推导过程

 4.python实现的相关方法

sklearn.svm

对于回归：SVC,NuSVC,LinearSVC

对于分类：SVR,NuSVR,LinearSVR

 待续

SVM要点总结（一）

标签：重要   img   jpg   方便   维数   资料   com   pat   python实现   

原文地址：https://www.cnblogs.com/Byron-ourLove/p/9272831.html