SVM就是寻找分割线
最佳分割线——最大化了到最近点的距离
最大化了于左右两分类最近点的距离——间隔
最大化了于左右两分类最近点的距离——最健壮
SVM的内部原理是最大限度地提升结果地稳健性
SVM—正确分类标签作为首要考虑，，然后对间隔进行最大化
WechatIMG2880.jpeg
分类
from sklearn import svm
from sklearn.metrics import accuracy_score
feature_train,feature_test,labels_train,labels_test
clf=svm.SVC()
clf.fit(feature_train,labels_train)
pred=predict(feature_test)
accuracy_score(pred,labels_test)
新特征
WechatIMG6199.jpeg
SVM核技巧：获取低维度输入空间或特征空间并将其映射到极高维度空间的函数——过去不可线性分离的内容变为可分离问题
WechatIMG2881.jpeg
linear——线性核
rbf——径向基函数（曲折核 ）
poly——多项式
SVM的参数——核+C+y(gamma)
y越大决策边界越曲折
C——控制光滑决策边界与正确分类所有训练点之间的折衷
C值越大可以得到更多的训练点-更复杂的决策边界——问题过拟合
控制过度拟合的问题，调核、C、y参数
SVM的优缺点：
优点——在具有复杂领域和明显的分割边界的情况下，表现十分出色
缺点——在海量数据集中，表现不太好
——噪音过多的情况下，效果也不太好
类严重重叠、需要考虑独立证据时朴素贝叶斯分类器会更好
海量数据，特征很多的数据集不太适合SVM
有时用SVM时需要进行特征的缩放
