人工智能之機(jī)器學(xué)習(xí)有5大流派： 1） 符號(hào)主義，2） 貝葉斯派，3） 聯(lián)結(jié)主義，4） 進(jìn)化主義，5） Analogizer。今天我們重點(diǎn)探討一下Analogizer中最擅長(zhǎng)算法－支持向量機(jī)（SVM）

SVM概述：

支持向量機(jī)（SVM）是由Vapnik領(lǐng)導(dǎo)的AT＆T Bell實(shí)驗(yàn)室研究小組在1995年提出的一種新的非常有潛力的分類技術(shù)。剛開始主要針對(duì)二值分類問題而提出，成功地應(yīng)用子解函數(shù)回歸及一類分類問題，并推廣到大量應(yīng)用中實(shí)際存在的多值分類問題中。支持向量機(jī)（SVM）是一種與相關(guān)學(xué)習(xí)算法有關(guān)的監(jiān)督學(xué)習(xí)模型。

支持向量機(jī)（SVM）自誕生起便由于它良好的分類性能席卷了機(jī)器學(xué)習(xí)領(lǐng)域，并牢牢壓制了神經(jīng)網(wǎng)絡(luò)領(lǐng)域好多年。如果不考慮集成學(xué)習(xí)的算法，不考慮特定的訓(xùn)練數(shù)據(jù)集，在分類算法中的表現(xiàn)SVM可以說是排第一的。

支持向量機(jī)（SVM）在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。

SVM原理介紹：

支持向量機(jī)（SVM）方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，以求獲得最好的推廣能力。支持向量機(jī)（SVM）與神經(jīng)網(wǎng)絡(luò)類似，都是學(xué)習(xí)型的機(jī)制，但與神經(jīng)網(wǎng)絡(luò)不同的是SVM使用的是數(shù)學(xué)方法和優(yōu)化技術(shù)。SVM背后的數(shù)學(xué)理論基礎(chǔ)（概率論與數(shù)理統(tǒng)計(jì)、泛函分析和運(yùn)籌學(xué)等）是近代人類的偉大數(shù)學(xué)成就。由于數(shù)學(xué)上比較艱澀，剛開始SVM研究一直沒有得到充分的重視。直到統(tǒng)計(jì)學(xué)習(xí)理論SLT的實(shí)現(xiàn)和由于神經(jīng)網(wǎng)絡(luò)等較新興的機(jī)器學(xué)習(xí)方法的研究遇到一些重要的困難，才使得SVM迅速發(fā)展和完善。

支持向量機(jī)（SVM）可以分析數(shù)據(jù)，識(shí)別模式，用于分類和回歸分析。給定一組訓(xùn)練樣本，每個(gè)標(biāo)記為屬于兩類，一個(gè)SVM訓(xùn)練算法建立了一個(gè)模型，分配新的實(shí)例為一類或其他類，使其成為非概率二元線性分類。一個(gè)SVM模型的例子，如在空間中的點(diǎn)，映射，使得所述不同的類別的例子是由一個(gè)明顯的差距是盡可能寬劃分的表示。新的實(shí)施例則映射到相同的空間中，并預(yù)測(cè)基于它們落在所述間隙側(cè)上屬于一個(gè)類別。

除了進(jìn)行線性分類，支持向量機(jī)可以使用核技巧，它們的輸入隱含映射成高維特征空間中有效地進(jìn)行非線性分類。一個(gè)支持向量機(jī)的構(gòu)造一個(gè)超平面，或在高或無限維空間，其可以用于分類，回歸，或其它任務(wù)中設(shè)定的超平面的。一個(gè)良好的分離通過具有到任何類的最接近的訓(xùn)練數(shù)據(jù)點(diǎn)的最大距離的超平面的一般實(shí)現(xiàn)中，由于較大的裕度下分類器的泛化誤差。而原來的問題可能在一個(gè)有限維空間中所述，經(jīng)常發(fā)生以鑒別集是不是在該空間線性可分。出于這個(gè)原因，有人建議，在原始有限維空間映射到一個(gè)高得多的立體空間，推測(cè)使分離在空間比較容易。保持計(jì)算負(fù)荷合理，使用支持向量機(jī)計(jì)劃的映射被設(shè)計(jì)成確保在點(diǎn)積可在原空間中的變量而言容易地計(jì)算，通過定義它們中選擇的核函數(shù)k（x，y）的計(jì)算以適應(yīng)的問題。

在高維空間中的超平面被定義為一組點(diǎn)的點(diǎn)積與該空間中的向量是恒定的。限定的超平面的載體可被選擇為線性組合與參數(shù)alpha＿i中發(fā)生的數(shù)據(jù)的基礎(chǔ)上的特征向量的圖像。這種選擇一個(gè)超平面，該點(diǎn)中的x的特征空間映射到超平面是由關(guān)系定義：字型sum＿ialpha＿ik（x＿i中，x）＝mathrm｛常數(shù)｝。注意，如果k（x，y）變小為y的增長(zhǎng)進(jìn)一步遠(yuǎn)離的x，在求和的每一項(xiàng)測(cè)量測(cè)試點(diǎn)x的接近程度的相應(yīng)數(shù)據(jù)基點(diǎn)x＿i的程度。以這種方式，內(nèi)核上面的總和可以被用于測(cè)量各個(gè)測(cè)試點(diǎn)的對(duì)數(shù)據(jù)點(diǎn)始發(fā)于一個(gè)或另一個(gè)集合中的要被鑒別的相對(duì)接近程度。

SVM分類器分類：

1）線性分類器：一個(gè)線性函數(shù)，可以用于線性分類。一個(gè)優(yōu)勢(shì)是不需要樣本數(shù)據(jù)。線性分類器公式如下：

－－（1）

2）非線性分類器：支持線性分類和非線性分類。需要部分樣本數(shù)據(jù)（支持向量），也就是αi≠0的數(shù)據(jù)。非線性分類器公式如下：