Support Vector Machine支持向量机 内容n SVM 简介n 线性分类器n 核函数n 松弛变量n LIBSVM 介绍n 实验SVM 简介n 支持向量机(Support Vector Machine) 是Cortes 和Vapnik 于1995 年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。SVM 简介n 支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy ）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力（或称泛化能力）。 SVM 简介n VC 维：所谓VC 维是对函数类的一种度量，可以简单的理解为问题的复杂程度，VC 维越高，一个问题就越复杂。正是因为SVM 关注的是VC维，后面我们可以看到，SVM 解决问题的时候，和样本的维数是无关的（甚至样本是上万维的都可以，这使得SVM 很适合用来解决像文本分类这样的问题，当然，有这样的能力也因为引入了核函数）。SVM
