支持向量机用什么软件 支持向量机软件

发布日期：2020-08-26

支持向量机怎么来的？有什么作用？

支持向量机SVM ( Support Vector Machines)是由Vanpik领导的ATTBell实验室研究小组在1963年提出的一种新的非常有潜力的分类技术， SVM是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域.由于当时这些研究尚不十分完善，在解决模式识别问题中往往趋于保守，且数学上比较艰涩，因此这些研究一直没有得到充的重视.直到90年代，一个较完善的理论体系—统计学习理论 （ StatisticalLearningTheory，简称SLT） 的实现和由于神经网络等较新兴的机器学习方法的研究遇到一些重要的困难，比如如何确定网络结构的问题、过学习与欠学习问题、局部极小点问题等，使得SVM迅速发展和完善，在解决小样本 、非线性及高维模式识别问题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.从此迅速的发展起来，现在已经在许多领域（生物信息学，文本和手写识别等）都取得了成功的应用。

SVM的关键在于核函数，这也是最喜人的地方。

低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。

但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。

也就是说，只要选用适当的核函数，我们就可以得到高维空间的分类函数。

在SVM理论中，采用不同的核函数将导致不同的SVM算法它是一种以统计学理论为基础的，以结构风险最小化的学习机学习方法，要优于神经网络学习。

支持向量机该如何理解？

更正式地说，一个支持向量机的构造一个超平面，或在高或无限维空间，其可以用于分类，回归，或其它任务中设定的超平面的。

直观地，一个良好的分离通过具有到任何类（所谓官能余量）的最接近的训练数据点的最大距离的超平面的一般实现中，由于较大的裕度下分类器的泛化误差。

而原来的问题可能在一个有限维空间中所述，经常发生以鉴别集是不是在该空间线性可分。

出于这个原因，有人建议，在原始有限维空间映射到一个高得多的立体空间，推测使分离在空间比较容易。

保持计算负荷合理，使用支持向量机计划的映射被设计成确保在点积可在原空间中的变量而言容易地计算，通过定义它们中选择的核函数k(x,y)的计算以适应的问题。

在高维空间中的超平面被定义为一组点的点积与该空间中的向量是恒定的。

限定的超平面的载体可被选择为线性组合与参数\alpha_i中发生的数据的基础上的特征向量的图像。

这种选择一个超平面，该点中的x的特征空间映射到超平面是由关系定义：\字型\sum_i\alpha_ik(x_i中，x)=\mathrm{常数}。

注意，如果k(x,y)变小为y的增长进一步远离的x，在求和的每一项测量测试点x的接近程度的相应数据基点x_i的程度。

以这种方式，内核上面的总和可以被用于测量各个测试点的对数据点始发于一个或另一个集合中的要被鉴别的相对接近程度。

注意一个事实，即设定点的x映射到任何超平面可以相当卷积的结果，使集未在原始空间凸出于各之间复杂得多歧视。

什么是支持向量机（SVM）以及它的用途？

支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面.在分开数据的超平面的两边建有两个互相平行的超平面.分隔超平面使两个平行超平面的距离最大化.假定平行超平面间的距离或差距越大，分类器的总误差越小.它是一种监督式学习的方法，广泛应用于统计分类以及回归分析中.

有没有做过支持向量机做预测模型的matlab程序做个参考

有的工具箱有用户交互界面，可以直接在MATLAB的启动菜单下进入；有的没有用户界面，但是有相关的程序（或者说函数）供调用；即使有界面的工具箱，也是有相应的函数的。

可以从帮助（Help）中查询MATLAB的工具箱的详细使用方法。

帮助里面对主题进行了分类，进入工具箱那一类即可