SVM支持向量机分析

一、SVM简介

（一）Support Vector Machine

1. 最大边缘分类器（SVM：Support Vector Machine）在机器学习领域得到了广泛应用。
2. 线性判别系统（perceptron）也被称作感知器。
3. 在实际应用场景中我们常常会遇到这样的问题：

我们有一系列数据样本，并根据其属性将其划分为两类。我们的目标是构建一个线性分类模型来区分这两类样本。一种直观的方法就是绘制一条分隔线来区分这两种类型的数据。此处分割线一侧的所有样本被归类为A类别。支持向量机（SVM）算法能够有效地确定这样的一条最佳分隔线（即高维空间中的超平面）。与K近邻（KNN）等方法相比，在训练阶段仅需进行一次优化计算即可确定最优分割面。对于测试集中的每一个样本点，在测试阶段只需判断其落在分割面的哪一侧即可确定所属类别。与需要在每次预测时重新计算所有邻居点分类的KNN方法相比,SVM算法的操作流程更加简洁明了

（二）Sklearn参数详解—SVM

    1 sklearn.svm.LinearSVC(penalty='l2', loss='squared_hinge', dual=True, tol=0.0001, C=1.0, multi_class='ovr', fit_intercept=True, intercept_scali