99银河：人工智能之支持向量机（SVM）

人工智能之机器学习有5大流派：1）符号主义，2）贝叶斯为首，3）连结主义，4）演化主义，5）Analogizer。今天我们重点探究一下Analogizer中最擅长于算法－反对向量机（SVM）SVM阐述：反对向量机（SVM）是由Vapnik领导的AT＆TBell实验室研究小组在1995年明确提出的一种新的十分有潜力的分类技术。刚开始主要针对二值分类问题而明确提出，顺利地应用于子解法函数重返及一类分类问题，并推展到大量应用于中实际不存在的多值分类问题中。

反对向量机（SVM）是一种与涉及自学算法有关的监督自学模型。反对向量机（SVM）自问世起之后由于它较好的分类性能席卷了机器学习领域，并牢牢地压制了神经网络领域好多年。

如果不考虑到构建自学的算法，不考虑到特定的训练数据集，在分类算法中的展现出SVM可以说道是分列第一的。反对向量机（SVM）在解决问题小样本、非线性及高维模式识别中展现出出有许多特有的优势，并需要推广应用到函数数值等其他机器学习问题中。SVM原理讲解：反对向量机（SVM）方法是创建在统计资料自学理论的VC维理论和结构风险大于原理基础上的，根据受限的样本信息在模型的复杂性和自学能力之间谋求最佳折衷，借此取得最差的推展能力。反对向量机（SVM）与神经网络类似于，都是学习型的机制，但与神经网络有所不同的是SVM用于的是数学方法和优化技术。

SVM背后的数学理论基础（概率论与数理统计、绿函分析和运筹学等）是近代人类的最出色数学成就。由于数学上较为难懂，刚开始SVM研究仍然没获得充份的推崇。直到统计资料自学理论SLT的构建和由于神经网络等较新兴的机器学习方法的研究遇上一些最重要的艰难，才使得SVM很快发展和完备。反对向量机（SVM）可以分析数据，识别模式，用作分类和重返分析。

等价一组训练样本，每个标记为归属于两类，一个SVM训练算法创建了一个模型，分配新的实例为一类或其他类，使其沦为非概率二元线性分类。一个SVM模型的例子，如在空间中的点，同构，使得所述有所不同的类别的例子是由一个显著的差距是尽量长区分的回应。新的实行例则同构到完全相同的空间中，并预测基于它们落在所述间隙侧上归属于一个类别。

除了展开线性分类，反对向量机可以用于核技巧，它们的输出说明了同构成高维特征空间中有效地展开非线性分类。一个反对向量机的结构一个超平面，或在低或无限维空间，其可以用作分类，重返，或其它任务中原作的超平面的。一个较好的分离出来通过具备到任何类的最相似的训练数据点的仅次于距离的超平面的一般构建中，由于较小的裕度下分类器的一般化误差。而原本的问题有可能在一个受限维空间中所述，常常再次发生以辨别集是不是在该空间线性可分。

出于这个原因，有人建议，在完整受限维空间同构到一个低得多的立体空间，推断使分离出来在空间较为更容易。维持计算出来负荷合理，用于反对向量机计划的同构被设计成保证在点积可在原空间中的变量而言更容易地计算出来，通过定义它们中自由选择的核函数k（x，y）的计算出来以适应环境的问题。在低维空间中的超平面被定义为一组点的点积与该空间中的向量是恒定的。

限定版的超平面的载体可被自由选择为线性组合与参数alpha＿i中再次发生的数据的基础上的特征向量的图像。这种自由选择一个超平面，该零点的x的特征空间同构到超平面是由关系定义：字型sum＿ialpha＿ik（x＿i中，x）＝mathrm｛常数｝。留意，如果k（x，y）变大为y的快速增长更进一步靠近的x，在议和的每一项测量测试点x的相似程度的适当数据基点x＿i的程度。以这种方式，内核上面的总和可以被用作测量各个测试点的对数据点终到于一个或另一个子集中的要被辨别的比较相似程度。

SVM分类器分类：1）线性分类器：一个线性函数，可以用作线性分类。一个优势是不必须样本数据。线性分类器公式如下：－－（1）2）非线性分类器：反对线性分类和非线性分类。

必须部分样本数据（反对向量），也就是αi≠0的数据。

本文来源：99银河-www.pianolac.com