支持向量机简介
基本信息
简 介：
关 键 词：
模 型 背 景：在机器学习中，支持向量机（SVM）是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。
模 型 原 理：支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器
实施分析步骤：Libsvm是一个简单的，易用的，高效的SVM分类和回归软件。
模 型 应 用：SVM方法在理论上具有突出的优势，贝尔实验室率先对美国邮政手写数字库识别研究方面应用了SVM方法，取得了较大的成功。在随后的近几年内，有关SVM的应用研究得到了很多领域的学者的重视
运行效果评价：SVM具有以下特点： 1）非线性映射是SVM方法的理论基础，SVM利用内积核函数代替向高维空间的非线性映射； 2）对特征空间划分的最优超平面是SVM的目标，最大化分类边际的思想是SVM方法的核心；
输入输出参数
设置：具体公式如第二部分模型原理所示，SVM最重要的参数有2个：C与核函数中的σ： C类似于正则化中1λ的作用。C越大，拟合非线性的能力越强。
方法正文
推荐方法
距离判别分析简介
帕累托图
控制图
支持向量机简介
贝叶斯分类
最近邻分类
决策树
系统聚类
二阶聚类
分类
