支持向量机（Support Vector Machine，SVM）是一种强大的机器学习算法，常用于分类和回归问题。它通过找到最佳的超平面来将不同类别的数据点分开。
SVM 基本原理
SVM的核心思想是找到一个超平面，使得不同类别的数据点尽可能分开。这个超平面被称为最大间隔超平面（Maximum Margin Hyperplane）。
- 支持向量：位于超平面两侧且距离超平面最近的那些数据点。
- 间隔：从超平面到最近支持向量的距离。
SVM 类型
- 线性SVM：适用于线性可分的数据。
- 非线性SVM：通过核函数将数据映射到高维空间，使其线性可分。
SVM 优势
- 泛化能力强：通过找到最佳的超平面，SVM在训练数据上表现良好，同时也能在未见过的数据上表现良好。
- 对噪声和异常值不敏感：SVM能够处理噪声和异常值，因此在实际应用中非常稳定。
本站链接
更多关于SVM的深入内容，请参考《SVM 深入解析》。
SVM 图解