- 1、本文档共25页,其中可免费阅读8页,需付费150金币后方可阅读剩余内容。
- 2、本文档内容版权归属内容提供方,所产生的收益全部归内容提供方所有。如果您对本文有版权争议,可选择认领,认领后既往收益都归您。
- 3、本文档由用户上传,本站不保证质量和数量令人满意,可能有诸多瑕疵,付费之前,请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形,可联系本站下载客服投诉处理。
- 4、文档侵权举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
机器学习及应用之支持向量机
目?支持向量机的理论基础?支持向量机的实现录?支持向量机的优缺点?支持向量机的应用实例
01CATALOGUE支持向量机简介
定义与特点定义支持向量机(SupportVectorMachine,简称SVM)是一种监督学习模型,用于分类和回归分析。特点SVM是一种非概率二元线性分类器,具有较好的泛化能力,能够解决高维、非线性问题,且对特征选择和特征值缩放不敏感。
工作原理寻找最优超平面SVM的目标是找到一个最优超平面,使得超平面两侧的空白区域最大化,同时使得分类间隔最大。数据映射SVM通过将输入数据映射到高维空间,使得数据在高维空间中线性可分。核函数为了解决
文档评论(0)