Udacity 数据分析进阶课程笔记L33：支持向量机（SVM）

1. SVM寻找一条直线或超平面，将输入数据分隔成两类。

   • 好的分隔线可以最大化间隔
   • 

     最大化Margin
   • SVM首先考虑是否正确分类，其次才是最大化间隔。
   • 同时，可以做到忽略异常值，在忽略异常值和最大间隔之间找到平衡点。

2. sklearn中的SVM：import、fit()、predict()

   • 相对于朴素贝叶斯，线性SVM提供一条笔直的决策边界

3. Kernel Trick ：特征（维度）变换，可以在构造分类器时通过kernel参数进行控制

   • 

     Kernel Trick

4. 参数

   • kernel
   • C：在决策边界的正确性和平滑性之间进行平衡。C值越大，分类越正确，边界越复杂。
   • gamma：此参数对线性核函数无影响

5. SVM的优缺点

   • 在具有明显边界的数据上表现出色
   • 海量数据时非常耗时（训练时间与数据量的3次方成正比）
   • 噪声过大的数据同样表现不理想