涉及内容:
SVM原理————核函数、数据投射至高维空间、多项式内核、RBF内核
支持向量机的SVM核函数————创建一个线性内核的支持向量机模型、SVM内核换成RBF
SVM的核函数和参数选择————不同核函数的SVM对比、linearSVM算法
RBF内核SVC的gamma参数调节————结果分析
注意事项————3个非常重要的参数
SVM在回归分析中的应用:波士顿房价数据集——————了解数据集、SVR算法建立房价预测模型、StandardScaler数据预处理
优点:
可应对高维数据集和低维数据集
即使数据集中样本特征的测度都比较接近,如图像识别领域,以及样本特征数和样本数比较接近的时候,都游刃有余
缺点:
当数据集中特征数量在1万以内,SVM可以驾驭,但数量大于10万,就非常占内存和耗费时间
对数据预处理和参数调节要求很高