SVM尋找一條直線或超平面，將輸入數(shù)據(jù)分隔成兩類。

• 好的分隔線可以最大化間隔
• 最大化Margin
• SVM首先考慮是否正確分類，其次才是最大化間隔。
• 同時(shí)，可以做到忽略異常值，在忽略異常值和最大間隔之間找到平衡點(diǎn)。

sklearn中的SVM：import、fit()、predict()

• 相對(duì)于樸素貝葉斯，線性SVM提供一條筆直的決策邊界

Kernel Trick ：特征（維度）變換，可以在構(gòu)造分類器時(shí)通過(guò)kernel參數(shù)進(jìn)行控制

• Kernel Trick

參數(shù)

• kernel
• C：在決策邊界的正確性和平滑性之間進(jìn)行平衡。C值越大，分類越正確，邊界越復(fù)雜。
• gamma：此參數(shù)對(duì)線性核函數(shù)無(wú)影響

SVM的優(yōu)缺點(diǎn)

• 在具有明顯邊界的數(shù)據(jù)上表現(xiàn)出色
• 海量數(shù)據(jù)時(shí)非常耗時(shí)（訓(xùn)練時(shí)間與數(shù)據(jù)量的3次方成正比）
• 噪聲過(guò)大的數(shù)據(jù)同樣表現(xiàn)不理想