基本信息

---

下载

文档摘要

---

-PAGEIII-

线性SVM分类概述

SVM原理简单归结于一句话就是最大化离超平面最近点（支持向量）到该平面的距离。如图2.1所示。

图2.1线性分类实例

SVM方法是通过一个非线性映射P,把样本空间映射到一个高维乃至无穷维的特征空间中，使得原来样本空间线性不可分问题转化为在样本空间在线性可分的问题，通俗来讲就是升维和线性化。升维，就是把样本向高维空间做映射的过程，一般这会增加计算的复杂性，甚至会引起“维数爆炸”，因而人们很少过问。但是就分类、回归问题来说，在低维样本空间无法线性处理的样本集，很可能在高维特征空间却可以通过一个线性超平面实现线性划分。

如上图2.1所示，，即为分离