奎文区建设局网站,苏州网站建设老板,小程序商场,网址大全浏览器官网原文#xff1a;http://blog.sina.com.cn/s/blog_6d979ba00100oel2.htmlSVM有如下主要几个特点#xff1a;(1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射#xff1b;(2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方…原文http://blog.sina.com.cn/s/blog_6d979ba00100oel2.htmlSVM有如下主要几个特点(1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射(2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心(3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量
(4)SVM 是一种有坚实理论基础的新颖的小样本学习方法。
它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。
从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的“转导推理”,
大大简化了通常的分类和回归等问题(5)SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,
而不是样本空间的维数,这在某种意义上避免了“维数灾难”。(6)少数支持向量决定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本,
而且注定了该方法不但算法简单,而且具有较好的“鲁棒”性。
这种“鲁棒”性主要体现在:①增、删非支持向量样本对模型没有影响;②支持向量样本集具有一定的鲁棒性;③有些成功的应用中,SVM 方法对核的选取不敏感两个不足(1) SVM算法对大规模训练样本难以实施
由于SVM是借助二次规划来求解支持向量
而求解二次规划将涉及m阶矩阵的计算m为样本的个数当m数目很大时该矩阵的存储和计算
将耗费大量的机器内存和运算时间。
针对以上问题的主要改进有
J.Platt的SMO算法、
T.Joachims的SVM、
C.J.C.Burges等的PCGC、
张学工的CSVM
以及O.L.Mangasarian等的SOR算法(2) 用SVM解决多分类问题存在困难经典的支持向量机算法只给出了二类分类的算法
而在数据挖掘的实际应用中一般要解决多类的分类问题。
可以通过多个二类支持向量机的组合来解决。
主要有
一对多组合模式、一对一组合模式和SVM决策树
再就是通过构造多个分类器的组合来解决。
主要原理是克服SVM固有的缺点结合其他算法的优势解决多类问题的分类精度。
如
与粗集理论结合形成一种优势互补的多类问题的组合分类器。转载于:https://www.cnblogs.com/zhizhan/p/4529313.html
