数据挖掘十大经典算法之——SVM 算法

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/sunyaowu315/article/details/88844207

数据挖掘十大经典算法系列，点击链接直接跳转：

• 数据挖掘简介及十大经典算法（大纲索引）
• 1. 数据挖掘十大经典算法之——C4.5 算法
• 2. 数据挖掘十大经典算法之——K-Means 算法
• 3. 数据挖掘十大经典算法之——SVM 算法
• 4. 数据挖掘十大经典算法之——Apriori 算法
• 5. 数据挖掘十大经典算法之——EM 算法
• 6. 数据挖掘十大经典算法之——PageRank 算法
• 7 数据挖掘十大经典算法之——AdaBoost 算法
• 8. 数据挖掘十大经典算法之——KNN 算法
• 9. 数据挖掘十大经典算法之——Naive Bayes 算法
• 10. 数据挖掘十大经典算法之——CART 算法

简介

支持向量机是一种基于分类边界的方法。其基本原理是（以二维数据为例）：如果训练数据分布在二维平面上的点，它们按照其分类聚集在不同的区域。基于分类边界的分类算法的目标是，通过训练，找到这些分类之间的边界（直线的――称为线性划分，曲线的――称为非线性划分）。对于多维数据（如N 维），可以将它们视为N 维空间中的点，而分类边界就是N 维空间中的面，称为超面（超面比N维空间少一维）。

线性分类器使用超平面类型的边界，非线性分类器使用超曲面。

支持向量机的原理是将低维空间的点映射到高维空间，使它们成为线性可分，再使用线性划分的原理来判断分类边界。在高维空间中是一种线性划分，而在原有的数据空间中，是一种非线性划分。

SVM 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。