参考文章:
手把手教你实现SVM算法(一) 四颗星
支持向量机通俗导论(理解SVM的三层境界)(1000多个赞。。)
SVM模型主要问题
SVM要点:
**距离度量**,**支持向量**,**损失函数**,**对偶问题**,**拉格朗日乘法**,**核函数**,**软间隔**
SVM算法的主要优点有:
1) 解决高维特征的分类问题和回归问题很有效,在特征维度大于样本数时依然有很好的效果。
2) 仅仅使用一部分支持向量来做超平面的决策,无需依赖全部数据。
3) 有大量的核函数可以使用,从而可以很灵活的来解决各种非线性的分类回归问题。
4) 样本量不是海量数据的时候,分类准确率高,泛化能力强。
SVM算法的主要缺点有:
1) 如果特征维度远远大于样本数,则SVM表现一般。
2) SVM在样本量非常大,核函数映射维度非常高时,计算量过大,不太适合使用。
3) 非线性问题的核函数的选择没有通用标准,难以选择一个合适的核函数。
4) SVM对缺失数据敏感。