码迷,mamicode.com
首页 > 其他好文 > 详细

02-37 支持向量机总结

时间:2019-10-16 17:46:32      阅读:69      评论:0      收藏:0      [点我收藏+]

标签:大数据   最大   svm   blank   小结   计算   新网   ref   拉格朗日乘子   

更新、更全的《机器学习》的更新网站,更有python、go、数据结构与算法、爬虫、人工智能教学等着你:https://www.cnblogs.com/nickchen121/

支持向量机总结

支持向量机中有线性可分支持向量机、线性支持向量机、非线性支持向量机、线性支持回归等算法,算是前期比较繁琐的一个内容,如果感觉自己还是对间隔最大化、支持向量等知识点不太了解的,可以对着简单的感知机模型多看几遍,多揣摩揣摩,如果对对偶形式优化不太懂得,可以参考拉格朗日乘子法多看一看,如果不涉及太深,优化方面仅做了解即可,下面将和大家聊一聊支持向量机的优缺点。

一、支持向量机优缺点

二、优点

  1. 既可以解决分类问题,又可以解决回归问题
  2. 不依赖所有数据,仅仅使用一部分数据做分离超平面的决策
  3. 可以使用不同的核函数解决数据线性不可分的问题
  4. 样本量不大的时候,模型效果非常好

三、缺点

  1. 训练集样本量过大,核函数映射时维度非常高,计算开销偏大
  2. 对缺失数据敏感

四、小结

支持向量机也算是告一段落,虽然在目前大数据的时代背景下,集成学习和神经网络被广泛应用于工业上,SVM由于计算开销大的缺点貌似有点招架不住,但是对于数据量不大的样本集,SVM的表现还是非常不错的。

02-37 支持向量机总结

标签:大数据   最大   svm   blank   小结   计算   新网   ref   拉格朗日乘子   

原文地址:https://www.cnblogs.com/nickchen121/p/11686746.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!