1. ⽀持向量机SVM
⽀持向量机（SVM， support vector machine）是名噪⼀时的机器学习⽅法，⾃20世纪末以来在模式识别领域风⽣⽔起，⾄今仍然活跃在各⼤论⽂期刊中。⽆论是和其他特征提取⽅法的结合，还是和其他模式识别⽅法的对⽐，SVM的表现都可圈可点。
SVM的⽬标是通过在属于两个不同类别的两组数据点之间到良好决策边界（decision boundary）来解决分类问题。决策边界可以看作⼀条直线或⼀个平⾯，将训练数据划分为两块空间，分别对应于两个类别。对于新数据点的分类，你只需要判断它位于决策边界的哪⼀侧即可。 2.我与SVM
忆韦素园君
记得笔者第⼀次接触SVM是在⼤⼆期间的数学建模课⼤作业，想⽤SVM实现葡萄酒的多分类，但是课本上的例⼦只⼆分类的。我在特种楼A熬了⼀晚上，到了笨办法的多分类，就是重复的⼆分类，也算是⼀次难得的努⼒。
在2019年11⽉，因为要进⾏论⽂的撰写，需要将CNN与SVM进⾏对⽐，笔者⼗分痛苦地查阅了相当多的MATLAB官⽅⽹页，最后倒也实现了SVM对波形信号的⼆分类，效果还不错，不过⼀年过去了论⽂还没剩余价值学说
有见刊，还需要继续努⼒啊。但是想要熟练掌握⼀种成熟的机器学习⽅法，需要付出的时间和精⼒还是很⼤的，希望以后我能有这样的机会吧，还能将SVM⽤到研究中。2020也要结束了，在这⾥对⾃⼰的SVM学习记录进⾏总结，回望过去，⾯向未来。
3.总结
MATLAB在SVM⽅⾯浸淫多年，已经形成了相当庞⼤的实现环境，这⾥对其简单实现进⾏总结。以下内容基于MATLAB官⽹的介绍⽂档，进⾏了⼀点个⼈的理解和整理，不算原创，但也不是单纯的翻译，也就恬不知耻的算作原创了。具体内容缺⽄少两的，想看具体的英⽂内容请点击下⽅链接。
声音导引系统
中概括了matlab中的四种SVM分类函数，分别适⽤于不同的数据和分类要求。
3.1 fitcsvm低维或中维数据的⼆分类
训练或交叉验证⽀持向量机（SVM）模型在低维或中维预测数据集上的⼀类和⼆类（binary）分类。fitcsvm⽀持使⽤核函数映射预测数据，并⽀持通过⼆次规划实现⽬标函数最⼩化的顺序最⼩优化（SMO，sequential minimal optimization）、迭代单数据算法
（ISDA，iterative single data algorithm）或L1软边界最⼩化。
3.2 fitclinear⾼维数据的⼆分类
要在⾼维数据集（即包含许多预测变量的数据集）上训练⽤于⼆分类的线性⽀持向量机模型，可以改⽤。
3.3 fitcecocSVM的多分类
对于组合⼆元⽀持向量机模型的多类学习，使⽤纠错输出码（ECOC，error-correcting output codes ）。有关详细信息，请参阅。ECOC 可以⽤来将 Multiclass Learning 问题转化为 Binary Classification 问题。
3.4 fitckernel数据的⾮线性⼆分类
新技术对于⼤数据的⾮线性⼆分类，可以使⽤ 训练⼆分类⾼斯核分类模型。
3.5 其他
此外，要训练SVM回归模型，请参阅 （低维和中等维预测数据集），或（⾼维数据集）。耿福明
另，中详细介绍了超平⾯等⼀系列知识（本科毕设时全靠将这种⽹页翻译成中⽂来充论⽂字数）
介绍了如何通过使⽤“ OptimizeHyperparameters”名称-值对参数，使⽤贝叶斯优化来选择⽤于训练内核分类器的最佳参数。
吕剧王定保借当
介绍了如何使⽤分类器APP训练⽀持向量机，并进⾏应⽤，给出了详细的图⽂教程，⼗分⼈性化。
此外，还对Matlab⾃带的数据进⾏了说明，还是那句话，⼗分⼈性化。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议