序
SVM支持向量机作为统计分类和回归分析中的重要方法,其理论推导难度较大,根据自己查阅的相关资料,按照问题理解、待处理数据是否可分的判断、主要推导过程、核函数的选择及推导、核函数的选择原则、python实现的相关方法、超参数调优等内容,以粗线条的方式,总结如下要点,方便查阅和易于理解:
1.问题分解
SVM是寻求最优的分割超平面问题<=>带一系列不等式约束的优化问题。
2.待处理数据是否可分的判断
(1)低维数据(1,2维),可有图清晰看出是否可分;
(2)高维数据(>2维):将数据转换成凸包(scipy.spatial.qhull()),再判断凸包是否相交(sweepline()未找到相关资料)。若相交,则不可分;否则,可分。
3.主要推导过程
4.python实现的相关方法
sklearn.svm
对于回归:SVC,NuSVC,LinearSVC
对于分类:SVR,NuSVR,LinearSVR
待续
原文:https://www.cnblogs.com/Byron-ourLove/p/9272831.html