如何学习SVM算法

本篇文章给大家分享的是有关如何学习SVM算法，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。

SVM支持向量机是建立于统计学习理论上的一种分类算法，适合与处理具备高维特征的数据集。

下面给出几个本人认为讲解的相当不错的：

支持向量机通俗导论（理解SVM的3层境界）：http://blog.csdn.net/v_july_v/article/details/7624837

这篇讲的很详细，由浅入深层层推进。

还有一个比较通俗的简单版本的：手把手教你实现SVM算法：http://blog.csdn.net/alvine008/article/details/9097105

SVN原理比较复杂，但是思想很简单，一句话概括，就是通过某种核函数，将数据在高维空间里寻找一个最优超平面，能够将两类数据分开。

针对不同数据集，不同的核函数的分类效果可能完全不一样。可选的核函数有这么几种：

线性函数：形如K(x,y)=x*y这样的线性函数；

多项式函数：形如K(x,y)=[(x·y)+1]^d这样的多项式函数；

径向基函数：形如K(x,y)=exp(-|x-y|^2/d^2）这样的指数函数；

Sigmoid函数：就是上一篇文章中讲到的Sigmoid函数。

我们就利用几个数据集，直接给出Python代码，看看运行效果：

测试1：身高体重数据

运行结果如下：

可以看到，针对这个数据集，使用3次多项式核函数的SVM，得到的效果最好。

测试3：圆形边界

最后我们测试一个数据分类边界为圆形的情况：圆形内为一类，原型外为一类。看这类非线性的数据SVM表现如何：

测试数据生成代码如下所示：

测试结果如下：

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='linear', max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False)

0.65

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='poly', max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False)
0.675
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='rbf', max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False)

0.9625

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='sigmoid', max_iter=-1, probability=False, random_state=None,
shrinking=True, tol=0.001, verbose=False)

0.65

可以看到，对于这种边界，径向基函数的SVM得到了近似完美的分类结果。

以上就是如何学习SVM算法，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注行业资讯频道。