周志华《机器学习》课后习题解答系列（七）：Ch6 - 支持向量机

本文主要是介绍周志华《机器学习》课后习题解答系列（七）：Ch6 - 支持向量机，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

查看相关答案和源代码，欢迎访问我的Github：PY131/Machine-Learning_ZhouZhihua.

本章概要

本章讲述支持向量机（Support Vector Machine，SVM），相关内容包括：

• 支持向量分类器（SVM classifier）

支持向量（support vector）、间隔（margin）、最大间隔（maximum margin）、支持向量机（SVM）、对偶问题（dual problem）、拉格朗日乘子法；

• 核技巧（kernel trick）

特征空间映射、高维可分、内积（inner product）、核函数（kernel function）、核矩阵（kernel matrix）半正定性、再生希尔伯特空间（RHKS）、核函数选择、多项式核、高斯核、Sigmoid核；

• 软间隔（soft margin）

硬间隔、软间隔、松弛变量（slack variables）、替代损失函数（surrogate loss function）、

• 支持向量回归（SVR）

支持向量机的优劣总结

支持向量机模型的好处很多，这里不做赘述，下面列出些在使用支持向量机方法时，需要注意的问题：

1. SVM涉及到求解二次规划，在大规模数据的训练时会产生很大的开销，为此常会引入一些高效算法来应对，如采用SOM（sequential minimal optimization）来加速二次优化问题求解；

课后练习

6.1 公式推导

这篇关于周志华《机器学习》课后习题解答系列（七）：Ch6 - 支持向量机的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---