支持向量機演算法

① 機器學習裡面最難懂的演算法是什麼是支持向量機嗎一般什麼情況下會適用svm

有現成的庫啊。你看看sk learn這個，裡面有自帶數據集和演算法，使用很方便。裡面支持向量機分為支持向量機回歸SVR和支持向量機分類SVC

② SPSS 軟體中包含支持向量機演算法(SVM)嗎

你可以去林智仁老師的網站看看，那個libsvm還是很好用的，跟許多軟體有介面的，但我沒看到跟spss有介面

③ 支持向量機演算法是基於監督的還是基於半監督的

分類作為數據挖掘領域中一項非常重要的任務，它的目的是學會一個分類函數或分類模型(或者叫做分類器)，而支持向量機本身便是一種監督式學習的方法。

引自CSDN：網頁鏈接

④ 邏輯回歸、決策樹、支持向量機演算法三巨頭

邏輯回歸、決策樹、支持向量機演算法三巨頭
1 邏輯回歸
首先邏輯回歸是線性回歸衍生過來的，假設在二維空間上，本質上還是一條線，那麼在三維空間，他就是一個平面。把數據分成兩邊，就是直的不能再直的一條線或者一個平面。那麼假設現在我們有兩個變數，就是圖中這兩個變數，為什麼假設y=1是壞客戶的話，根據圖中可以看到，單個變數的劃分並不可以把兩種類型的客戶分的很好，要兩個變數相互作用，假設x1為查詢次數，x2為在還貸款筆數，那可以看到當x1小以及x2比較小的時候，那麼客戶肯定在左下角的地方，那麼當他其中一項比較高的時候就會趨於右上角，x1 x2都高的時候，就是越過分割線，落於分割線的上方了。這里我們可以看到，x1 x2是兩個有趨勢性的變數才可以達到這種這么好的一個分類效果。

那麼現在假設數據是以下這種：

可以看到變數的趨勢跟y的分類沒有什麼關系的時候，這時候邏輯回歸就顯得很雞肋，分的效果一點都不好。
2 決策樹
決策樹。剛才說的是邏輯回歸是一條直到不能再直的直線或者平面，那麼決策樹就是一條會拐彎，但是不能有角度的，永遠直行或者90度拐的直線或者面，看下圖，你可以理解為決策樹就是一條貪吃蛇，他的目標就是把好壞客戶分的很清晰明了，要是貪吃蛇過分的貪吃就會造成過擬合，那麼過擬合是啥，就是你問你喜歡的妹紙，妹紙你喜歡什麼樣的男生，妹紙說，我喜歡長的好看的，帥氣，溫柔體貼，會做飯的，巴拉巴拉一大堆，足足100多條，然後你實在太喜歡妹紙，所以按照她的要求，到頭來你真的跟妹紙在一起了，妹紙說，其實我只要你長得好看就可以了，其他的100多條都是無所謂的。拉回來決策樹，決策樹適應的數據假設像邏輯回歸那種數據的話，其實按照決策樹的這種貪吃蛇的方式其實還是很難分的，所以決策樹適用的數據是變數與因變數呈現一個u型分布的數據，就是兩頭是一類，單峰聚集了另外一類數據。你在變數特徵分析的，看到變數都是呈現這種趨勢的，你就要暗喜了，老子要用決策樹立功了！！！

3 支持向量機
支持向量機，要是沒有數學基礎的人看支持向量機的把低維的數據轉化成高維可以在高維空間分類的演算法這句話時候估計是一臉懵逼，我以前也是很懵逼，這到底是啥，我們以只有兩個變數的舉個例子，譬如你現在相區分一群客戶的好壞，這時候就給出這群人的兩個變數，查詢次數和貸款次數，然後這時候你通過某些什麼開方啊，冪次數，取對數的方式啊，你剛好擬合除了三元方程，這條方程你把身高體重的數據輸進去，算出來的第三個未知數在這條方程裡面的，就是男的，在這方程裡面就算女的，這樣子可能你不是很清楚，請看下圖

剛才我們把數據丟進入，支持向量機幫我們這份數據擬合了這個圓，把這兩類數據分的像圖中的這樣子很好，那麼這時候我們需要這條圓的方程，產生變數的運用口徑，這條方程是：
25=(x-5)2+(y-5)2那麼這時候當貸款次數和查詢次數分別減5再2次冪的時候如果數小於25那麼就是好客戶，假設大於25就是壞客戶。支持向量機是在除了變數所有的維度之外又給了他一個維度之後，把擬合的方程再投放在原來的維度空間。支持向量機可以適用的數據那麼就是在你用決策樹和邏輯回歸走投無路的時候就可以用支持向量機了，但是就像我們剛才得出這道方程一樣，出來的變數口徑是沒有邏輯的，他可能要變數開方，取對數，假設你這模型要跟業務去解釋的時候，我就不知道你要想多少套路了。

⑤ 什麼是支持向量機（SVM）以及它的用途

SVM - support vector machine, 俗稱支持向量機，為一種supervised learning演算法，屬於classification的范疇。在數據挖掘的應用中，與unsupervised的Clustering相對應和區別。

廣泛應用於機器學習(Machine Learning), 計算機視覺(Computer Vision) 和數據挖掘(Data Mining)當中。

假設要通過三八線把實心圈和空心圈分成兩類，那麼有無數多條線可以完成這個任務。在SVM中，尋找一條最優的分界線使得它到兩邊的margin都最大。

(5)支持向量機演算法擴展閱讀：

SVM 的優點

1、高維度：SVM 可以高效的處理高維度特徵空間的分類問題。這在實際應用中意義深遠。比如，在文章分類問題中，單詞或是片語組成了特徵空間，特徵空間的維度高達 10 的 6 次方以上。

2、節省內存：盡管訓練樣本點可能有很多，但 SVM 做決策時，僅僅依賴有限個樣本（即支持向量），因此計算機內存僅僅需要儲存這些支持向量。這大大降低了內存佔用率。

3、應用廣泛：實際應用中的分類問題往往需要非線性的決策邊界。通過靈活運用核函數，SVM 可以容易的生成不同的非線性決策邊界，這保證它在不同問題上都可以有出色的表現（當然，對於不同的問題，如何選擇最適合的核函數是一個需要使用者解決的問題）。

⑥ svm支持向量機演算法在哪本書裡面有講到

《機器學習》《機器學習實戰》《機器學習基礎教程》都講了

⑦ 如何使用支持向量機進行數據分析

支持向量機演算法在處理不平衡樣本數據時,其分類器預測具有傾向性.樣本數量多的類別,其分類誤差小,而樣本數量少的類別,其分類誤差大.本文針對這種傾向性問題,在分析其產生原因的基礎上,提出了基於遺傳交叉運算的改進方法.對於小類別訓練樣本,利用交叉運算產生新的樣本,從而補償了因訓練數據類別大小差異而造成的影響.基於UCI標准數據集的模擬實驗結果表明,改進方法比標准支持向量機方法具有更好的分類准確率.

⑧ 請高人指點！什麼是支持向量機（SVM）其本質原理是什麼

支持向量機SVM ( Support Vector Machines)是由Vanpik領導的AT&TBell實驗室研究小組
在1963年提出的一種新的非常有潛力的分類技術, SVM是一種基於統計學習理論的模式識別方法，主要應用於模式識別領域.由於當時這些研究尚不十分完善,在解決模式識別問題中往往趨於保守,且數學上比較艱澀,因此這些研究一直沒有得到充的重視.直到90年代,一個較完善的理論體系—統計學習理論 ( StatisticalLearningTheory,簡稱SLT) 的實現和由於神經網路等較新興的機器學習方法的研究遇到一些重要的困難,比如如何確定網路結構的問題、過學習與欠學習問題、局部極小點問題等,使得SVM迅速發展和完善,在解決小樣本 、非線性及高維模式識別問題中表現出許多特有的優勢,並能夠推廣應用到函數擬合等其他機器學習問題中.從此迅速的發展起來，現在已經在許多領域（生物信息學，文本和手寫識別等）都取得了成功的應用。
SVM的關鍵在於核函數，這也是最喜人的地方。低維空間向量集通常難於劃分，解決的方法是將它們映射到高維空間。但這個辦法帶來的困難就是計算復雜度的增加，而核函數正好巧妙地解決了這個問題。也就是說，只要選用適當的核函數，我們就可以得到高維空間的分類函數。在SVM理論中，採用不同的核函數將導致不同的SVM演算法

它是一種以統計學理論為基礎的，以結構風險最小化的學習機學習方法，要優於神經網路學習，以上是摘自本人的畢業設計，如需轉載，請通知本人

⑨ 感知機演算法和支持向量機演算法一樣嗎

f(x) = ∑(n≥1)[nx^(n+1)]/(n+1)!，x∈R，
逐項求導，得
f'(x) = ∑(n≥1)(x^n)/(n-1)!
= x*∑(n≥1)[x^(n-1)]/(n-1)!
= x*e^x，x∈R，
積分，得
f(x) = ……，
再令 x=1

⑩ 基於支持向量機的多分類演算法有哪些

作為一種新興的機器學習方法,基於統計學習理論的支持向量機,最初是用來解決二類分類問題的。對於實際中主要遇到的多類分類問題,目前常用的兩大類改進推廣方法為＂分解—重組＂法和＂直接求解＂法。