支持向量机原理及展望

本资料包含pdf文件1个，下载需要1积分

支持向量机原理及展望

摘要：支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的-种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力。实现经验风险和置信范围的最携，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。该方法不但算法简单。而且具有较好的鲁棒”性，与神经网络相比，它的优点是训练算法中不存在局部极小值问题。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胚中，现在已经在许多领域取得了成功的应用。
关键词：支持向量机I神经网络；分类器；核函数

1基本原理
假设如图1这些数据点是n维实空间中的点。我们希望能够把这些点通过-个n-1维的超平面分开。通常这个被称为线性分类器。有很多分类器都符合这个要求。但是我们还希望找到分类最佳的平面，即使得属于两个不同类的数据点间隔最大的那个面，该面亦称为最大间隔超平面。如果我们能够找到这个面，那么这个分类器就称为最大间隔分类器。