支持向量機(jī)，英文為Support Vector Machine，簡稱SV機(jī)（論文中一般簡稱SVM）。它是一 種監(jiān)督式學(xué)習(xí)的方法，它廣泛的應(yīng)用于統(tǒng)計(jì)分類以及回歸分析中。

支持向量機(jī)（Support Vector Machine）是一種十分常見的分類器，曾經(jīng)火爆十余年，分類能力強(qiáng)于NN，整體實(shí)力比肩LR與RF。核心思路是通過構(gòu)造分割面將數(shù)據(jù)進(jìn)行分離。

支持向量機(jī)屬于一般化線性分類器，他們也可以認(rèn)為是提克洛夫規(guī)范化（Tikhonov RegularizaTIon）方法的一個(gè)特例。這族分類器的特點(diǎn)是：他們能夠同時(shí)最小化經(jīng)驗(yàn)誤差與最大化幾何邊緣區(qū)，因此支持向量機(jī)也被稱為最大邊緣區(qū)分類器。在統(tǒng)計(jì)計(jì)算中，最大期望（EM） 算法是在概率（probabilisTIc）模型中尋找參數(shù)最大似然估計(jì)的算法，其中概率模型依賴于無 法觀測的隱藏變量（Latent Variabl）。最大期望經(jīng)常用在機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺的數(shù)據(jù)集聚 （Data Clustering）領(lǐng)域。

在支持向量機(jī)中，距離超平面最近的且滿足一定條件的幾個(gè)訓(xùn)練樣本點(diǎn)被稱為支持向量。

圖中有紅色和藍(lán)色兩類樣本點(diǎn)。黑色的實(shí)線就是最大間隔超平面。在這個(gè)例子中，A，B，C 三個(gè)點(diǎn)到該超平面的距離相等。

注意，這些點(diǎn)非常特別，這是因?yàn)槌矫娴膮?shù)完全由這三個(gè)點(diǎn)確定。該超平面和任何其他的點(diǎn)無關(guān)。如果改變其他點(diǎn)的位置，只要其他點(diǎn)不落入虛線上或者虛線內(nèi)，那么超平面的參數(shù)都不會(huì)改變。A，B，C 這三個(gè)點(diǎn)被稱為支持向量（support vectors）。

一、應(yīng)用

SVM在各領(lǐng)域的模式識別問題中有廣泛應(yīng)用，包括人像識別（face recogniTIon） 、文本分類（text categorizaTIon） 、筆跡識別（handwriting recognition） 、生物信息學(xué) 等。

二、SVM 的優(yōu)點(diǎn)

1、高維度：SVM 可以高效的處理高維度特征空間的分類問題。這在實(shí)際應(yīng)用中意義深遠(yuǎn)。比如，在文章分類問題中，單詞或是詞組組成了特征空間，特征空間的維度高達(dá) 10 的 6 次方以上。

2、節(jié)省內(nèi)存：盡管訓(xùn)練樣本點(diǎn)可能有很多，但 SVM 做決策時(shí)，僅僅依賴有限個(gè)樣本（即支持向量），因此計(jì)算機(jī)內(nèi)存僅僅需要儲存這些支持向量。這大大降低了內(nèi)存占用率。

3、應(yīng)用廣泛：實(shí)際應(yīng)用中的分類問題往往需要非線性的決策邊界。通過靈活運(yùn)用核函數(shù)，SVM 可以容易的生成不同的非線性決策邊界，這保證它在不同問題上都可以有出色的表現(xiàn)（當(dāng)然，對于不同的問題，如何選擇最適合的核函數(shù)是一個(gè)需要使用者解決的問題）。