支持向量机分类原理概述

支持向量机分类原理概述

支持向量机（SVMs）是一组相关的监督学习方法，用于分析数据和识别模式，用于分类和回归分析。

最初的SVM算法是由弗拉基米尔。弗尼克发明的，目前的标准化身（软利润）是由科琳娜科尔特斯和弗拉迪米尔。瓦尼克提出的。

支持向量机在高或无限维度空间中构造超平面或超平面，可用于分类、回归或其他任务。

超平面与任何类最近的训练数据点之间的距离最大，因此，这是一个很好的分离，因为一般来说，越大的边界越低，分类器的泛化误差就越低。

我们想要找到最大的边缘超平面，它把有yi=1的点和yi=-1分开。任何超平面都可以写成满足点的集合。

我们想要选择w和b来最大化边缘，或者在平行的超平面之间的距离，在分离数据的同时，尽可能地分开。