什么是支持向量机，什么是支持向量

很多朋友对什么是支持向量机，什么是支持向量不是很了解，艾巴小编刚好整理了这方面的知识，今天就来带大家一探究竟。

支持向量机，英文为Support Vector Machine，简称SV机(本文一般简称SVM)。它是一种监督学习方法，广泛应用于统计分类和回归分析。支持向量机(Support Vector Machine，SVM)是一种非常常见的分类器，已经流行了十几年，分类能力优于NN，整体实力堪比LR和RF。核心思想是通过构造分割面来分离数据。

支持向量机属于广义线性分类器，也可以认为是Tikhonov正则化方法的特例。这一族分类器的特点是能够同时最小化经验误差和最大化几何边缘面积，所以支持向量机也被称为最大边缘面积分类器。

在统计计算中，最大期望(EM)算法是一种寻找概率模型中参数的最大似然估计的算法，其中概率模型依赖于不可观测的隐变量(Latent Variabl)。最大期望常用于机器学习和计算机视觉的数据聚类领域。

在支持向量机中，最接近超平面并满足一定条件的几个训练样本点称为支持向量。有两种样点，红色和蓝色。黑色实线是最大分离超平面。在这个例子中，从三个点A、B和C到超平面的距离是相等的。

注意，这些点非常特殊，因为超平面的参数完全由这三个点决定。超平面与任何其他点无关。如果改变其他点的位置，只要其他点不落在虚线上或虚线内，超平面的参数就不会改变。A、B、C三点称为支持向量。一、应用

SVM广泛应用于模式识别的各个领域，包括人脸识别、文本分类、手写识别、生物信息学等。优点二、SVM1、高维：SVM可以高效处理高维特征空间的分类问题。这在实际应用中具有深远的意义。比如在文章分类问题中，单词或短语组成一个特征空间，特征空间的维数高达10的6次方。

2、节省内存：虽然训练样本点可能很多，但SVM在决策时只依赖有限数量的样本(支持向量)，所以计算机内存只需要存储这些支持向量即可。这大大减少了内存的使用。

3、应用广泛：实际应用中的分类问题往往需要非线性的决策边界。通过灵活地使用核函数，SVM可以很容易地生成不同的非线性决策边界，这保证了它可以在不同的问题上有很好的表现(当然，如何为不同的问题选择最合适的核函数是用户需要解决的问题)。

以上就是关于什么是支持向量机，什么是支持向量的知识，希望能够帮助到大家！