SVM发展历史、现状、未来趋势

SVM（support victor machine）

1、支持向量机发展历史

  1963年，Vapnik在解决模式识别问题时提出了支持向量方法。起决定性作用的样本为支持向量
  1971年，Kimeldorf构造基于支持向量构建核空间的方法
  1995年，Vapnik等人正式提出统计学习理论。

2、现状

理论改进：

• 模糊支持向量机
• 最小二乘支持向量机
• 加权支持向量机
• 主动学习的支持向量机
• 粗糙集与支持向量机的结合
• 基于决策树的支持向量机
• 分级聚类的支持向量机

参考

算法改进：

• 对SVM算法问题的求解
• 对SVM本身模型进行改造
• 将SVM与具体问题相结合

Lau等[5]为SVM提出一种在线学习算法，用于处理按顺序逐渐提供输入数据的分类问题。该算法速度快，所用的支持向量个数少，具有强泛化能力。Laskov等[6]提出一种快速，数值稳定和鲁棒的增量支持向量机学习方法。Huang等[7]提出一种大边缘分类器，与其他大边缘分类器或局部构建分离超平面不同，该模型能局部和全局地判定边界。Kim等[8]提出适用于大数据的特征提取和分类算法。
参考机器学习发展历史及现状（重要的期刊，会议，大牛总结）

3、未来趋势

目前支持向量机有着几方面的研究热点：核函数的构造和参数的选择；支持向量机从两类问题向多类问题的推广；更多的应用领域的推广；与目前其它机器学习方法的融合；与数据预处理（样本的重要度，属性的重要度，特征选择等）方面方法的结合，将数据中脱离领域知识的信息，即数据本身的性质融入支持向量机的算法中从而产生新的算法；支持向量机训练算法的探索。