扫码加入数据分析学习群

机器学习【六】支持向量机SVM——专治线性不可分

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