Spark-机器学习-SVM支持向量机06

支持向量机算法

支持向量机(SVM)是一种用来分类的算法，当然，在这基础上进行改进，也可以进行回归分析(SVR).
SVM是最优秀的分类算法之一，即便是在如今深度学习盛行的时代，仍然具有很广泛的应用
SVM被设计成一种二分类的算法，当然，也有人提出了使用SVM进行多分类的方法，但是SVM依然主要被用在二分类中

设想如何进行一个简单的分类呢?
可能大家认为最简单的一种分类方法大概就是划分“阈值”了

例如判断一个人是否是秃头∶头顶区域头发数量小于100根则是秃头

而SVM也是遵循这个道理，只不过它的“阈值”寻找过程更复杂，也更科学

SVM的基本思想

SVM的主要思想是寻找能够将数据进行分类的平面或超平面，在平面上的则是A类，在平面下的则是B类

因此， SVM是一种二分类算法因此，这个“阈值”更贴切地说应该称为‘边界”，而这个“边界”恰恰就是通过向量来表示的，故而这个“边界”我们就称为支持向量

SVM处理非线性问题
在很多情况下，数据集并不是线性可分的，譬如∶

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uPTON1Hv-1655194658682)(C:\Users\admin\AppData\Roaming\Typora\typora-user-images\image-20220614155253089.png)]

SVM的核函数

SVM虽然只能进行线性分类，但是，可以通过引入核函数，将非线性的数据，转化为另一个空间中的线性可分数据，这叫做支持向量机的核技巧，可