什么是SVM？
便于理解，先从二维数据集开始。假如在平面上有圆圈和三角形，希望用一条直线来将它们分隔开。
这条直线，好像这么放是可以把它们分开的
但如果再增加几个圆圈和三角形(增加样本的数量)，有的圆圈分错了
其实在第一次分开他们的时候，可以画很多条不同的线都能够将他们分开，但只有我们画的那条线，距离每个样本点都尽可能远的情况下，在新增加样本点后才不会出现有的样本被分错的情况，所以这条线可以这么画
SVM就是找到这个最佳的画线的位置，来把这两个类别很好地分开；
上边的两种类别的样本没有交叉混淆在一起，所以前面画线的时候还是很容易的，如果是下面这种情况，好像就没法轻易画一条线将他们分开了
在二维平面上，我们好像可以用曲线将他们分开
想象这些圆圈和三角形在一个三维空间中，那么就可以用一个平面将它们分开
上面的例子中，圆圈和三角形就是数据(data)，最开始画的分隔线就是分类面(classifier)，因为可以画很多条线来分开，但是要找最优的(即有最大的间隔)，这个找最优的过程就是优化(optimization)，让平面中的样本转到空间中就是核映射(kernelling)，将它们分开的平面就是超平面(hyperplane)。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/178278.html原文链接：https://javaforall.net
