大家好，又见面了，我是你们的朋友全栈君。
上期跟大家介绍了支持向量机的一般原理，今天继续跟大家聊聊支持向量机——核函数与支持项链回归。
1
核函数
数据通过某种变换，使原本二维的问题通过某种函数转换到高维的特征空间，而这个函数就称为核函数。核函数有很多种，有线性核函数，多项式核函数，高斯核函数等，其中高斯核函数最为著名。
核函数可以说是支持向量机的灵魂，因为现实生活中，我们不大可能通过一个线性的等式就可以完美的解决一个分类问题，总是要经过核函数变换到多维空间，这时候核函数就显得尤为重要。
2
支持向量回归SVR
没错，支持向量机除了可以解决分类问题之外，还可以处理回归问题。
与一般回归不一样的是，支持向量回归会允许模型有一定的的偏差，在偏差范围之内的点，模型不认为他们有问题，而偏差范围之外的点就会计入损失。所以对于支持向量回归来说，支持向量以内的点都会影响模型，而支持向量之外的点用于计算损失。
3
总结
优点：
有效性：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；
核函数可以很灵活的来解决各种非线性的分类回归问题
稀疏性：仅仅使用支持向量来做超平面的决定，无需使用全部数据。
样本量不是海量数据的时候，分类准确率高，泛化能力强
缺点：
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
SVM对缺失数据敏感
如果特征维度远远大于样本数，则SVM表现一般
Python实例（使用jupyter Notebook打开）：
链接：https://pan.baidu.com/s/1TGEMIiqWvg1m3lJI1uWFxw 密码：cphe
每天一点点，生活大不同，欢迎你们活碰乱跳给我留言，也鼓励点赞转发。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/135281.html原文链接：https://javaforall.net
