Udacity 数据分析进阶课程笔记L33：支持向量机（SVM）

  1. SVM寻找一条直线或超平面，将输入数据分隔成两类。

    • 好的分隔线可以最大化间隔
    • 最大化Margin
    • SVM首先考虑是否正确分类，其次才是最大化间隔。
    • 同时，可以做到忽略异常值，在忽略异常值和最大间隔之间找到平衡点。

  2. sklearn中的SVM：import、fit()、predict()

    • 相对于朴素贝叶斯，线性SVM提供一条笔直的决策边界

  3. Kernel Trick ：特征（维度）变换，可以在构造分类器时通过kernel参数进行控制

    • Kernel Trick

  4. 参数

    • kernel
    • C：在决策边界的正确性和平滑性之间进行平衡。C值越大，分类越正确，边界越复杂。
    • gamma：此参数对线性核函数无影响

  5. SVM的优缺点

    • 在具有明显边界的数据上表现出色
    • 海量数据时非常耗时（训练时间与数据量的3次方成正比）
    • 噪声过大的数据同样表现不理想
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

相关阅读更多精彩内容

友情链接更多精彩内容