定义类之间的“边缘” - SVMS寻求优化的标准。
万博1manbetx支持向量是指识别分离超平面的位置的培训观测的子集。标准SVM算法配制用于二进制分类问题，并且通常减少到一系列二进制问题的多字符问题。
| 类型的支持向量机 | Mercer Kernel. | 描述 |
|---|---|---|
| 高斯或径向基函数(RBF) | \ (K (x_1、x_2) = \ exp \离开(- \压裂{\ | x_1——x_2 \ | ^ 2}{2 \σ^ 2}\)\) | 一类学习。\（\ sigma \）是内核的宽度 |
| 线性 | \ (K (x_1、x_2) = x_1 ^ {\ mathsf {T}} x_2 \) |
两个类的学习。 |
| 多项式 | \ (K (x_1、x_2) = \离开(x_1 ^ {\ mathsf {T}} x_2 + 1 \右)^{\ρ}\) |
ρ\ (\ \)多项式的阶数是多少 |
| sigmoid. | \ (K (x_1、x_2) = \双曲正切\离开(\ beta_ {0} x_1 ^ {\ mathsf {T}} x_2 + \ beta_ {1} \) \) |
它是一个mercer内核，只针对某些\(\beta_{0}\)和\(\beta_{1}\)值 |
培训支持向量机对应于解万博1manbetx决A.二次优化问题，以拟合一个超平面，最大限度地减少类之间的软边界。变换后的特征个数由支持向量的个数决定。万博1manbetx
重点:
- 万博1manbetx支持向量机在许多分类和回归任务中都取得了良好的性能。
- 虽然支持向量万博1manbetx机是为二进制分类制定的，但您可以通过组合多个二进制分类器来构造一个多类支持向量机。
- 内核使SVMS更灵活，能够处理非线性问题。
- 只需要从训练数据中万博1manbetx选择支持向量就可以构建决策面。一旦训练完成，其余的训练数据就不相关了，生成一个适合于自动代码生成的紧凑的模型表示。
例子
万博1manbetx支持向量机也可以用于异常检测，通过构造一个单类支持向量机，其决策边界使用一个异常阈值来确定一个对象是否属于“正常”类。在这个例子中，MATLAB基于目标离群值的分数作为参数将所有的例子映射到一个类中，如下所示:FitCSVM（样本，of ......），'OutlierFraction'，......）。该图显示了一系列的分离超平面outlierfaction.查看来自人类活动分类任务的数据。
