支持向量机

资 源 简 介

支持向量机

详 情 说 明

支持向量机（Support Vector Machine，SVM）是一种强大的机器学习算法，主要用于分类任务，也可用于回归分析。其核心思想是找到一个最优的决策边界（超平面），将不同类别的数据点尽可能清晰地分开。

核心原理 SVM通过最大化数据点到决策边界的距离（即“间隔”）来实现分类。那些位于间隔边界上的关键数据点被称为“支持向量”，它们决定了最终的决策边界。当数据线性不可分时，SVM会利用核函数（如多项式核、高斯核等）将数据映射到更高维空间，使其在高维空间中线性可分。

优势与适用场景 鲁棒性强：尤其适合小样本、高维数据的分类问题。 核技巧灵活：通过核函数可处理复杂的非线性分类问题。 泛化能力好：间隔最大化减少了过拟合风险。

典型应用包括文本分类、图像识别、生物信息学等领域。需注意，SVM对参数（如核函数选择、惩罚系数C）较敏感，调参对性能影响显著。