支援向量機
支援向量機 (SVM) 是一種經典演算法，它透過在兩組之間繪製盡可能寬的邊界來將它們分開。
概述
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
深入探討
SVM 找到稱為超平面的決策邊界，它最大化邊距，即邊界與每個類別的最近資料點之間的間隙。這些最近的點是“支持向量”，它們單獨定義邊界，這使得模型緊湊並且能夠抵抗遠離邊緣的異常值。當資料無法被直線分割時，核心技巧會將其映射到存在乾淨分離的高維空間，而無需直接計算這些座標。軟餘裕允許一些錯誤分類，由參數 C 控制，因此模型可以平衡較寬的餘裕和訓練誤差。當特徵很多但範例很少時，支援向量機表現出色，例如在文字分類和生物資訊學中。
技術洞察
最大化邊際是一個凸最佳化問題，因此與神經網路不同，SVM 具有單一全域最優值。核技巧以核函數（例如徑向基底函數 (RBF) 或多項式核）取代資料點之間的點積，隱式計算高維空間中的相似性。這使得線性方法可以廉價地繪製彎曲邊界。兩個超參數主導調整：C，它權衡邊距寬度與誤差；以及 RBF 內核中的 gamma，它設定每個點的影響力達到的程度。
戰略影響
更明確的決策
它可以幫助您將清晰的技術聲明與行銷語言分開。
成本與預算
在花費金錢或時間之前，您可以提出更好的實施問題。
團隊與工作流程
具有共同理解的團隊可以做出更好的產品、政策和學習決策。
支援向量機的未來
對於大型、複雜的資料集，支援向量機在很大程度上已被深度學習和梯度增強樹所取代，但當資料稀缺、高維或需要強大、易於理解的基線時，它們仍然是可靠的選擇。它們在教學、生物資訊學和文本任務以及資源有限的環境中很常見，在這些環境中，小型、快速的模型擊敗了沉重的網路。預計支援向量機將繼續作為一種可靠的經典工具和基準，而不是新研究的前沿。
現實世界的實施
文字和垃圾郵件分類，其中文件具有數千個單字特徵，但範例有限。
在深度學習占主導地位之前，對小型資料集進行影像分類。
生物資訊學中的癌症和基因表現分類，特徵多，樣本少。
手寫數字識別，MNIST 資料集上的經典 SVM 基準。
風險與防護欄
不同的團隊可能會以不同的方式使用相同術語，因此請儘早定義範圍。
基準測試可能看起來很強大，但實際效能卻參差不齊。
忽視數據品質和評估計劃通常會產生脆弱的結果。
實施路線圖
從您需要的結果的簡單語言定義開始。
在測試之前選擇一種成功指標和一種失敗條件。
使用代表性資料運行小型試點，而不是完善的演示集。
記錄支援向量機在哪些方面有幫助以及在哪些方面更簡單的方法更好。
不斷探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Support Vector Machines quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常見問題
What is Support Vector Machines?
支援向量機 (SVM) 是一種經典演算法，它透過在兩組之間繪製盡可能寬的邊界來將它們分開。它是深度學習之前最強大的分類器之一，並且在小型、乾淨的資料集上仍然很強大。
支援向量機試圖最大化什麼？
SVM 找到使邊距（到每個類別最近點的距離）最大化的超平面，以實現最穩健的分離。
SVM 中的「支援向量」是什麼？
只有最接近邊界的點（即支援向量）才能確定超平面；其他點可以移動而不改變它。
內核技巧解決了什麼問題？
核心技巧隱式地將資料映射到直邊界起作用的高維空間，從而以較低的成本實現曲線分離。
軟邊緣 SVM 中參數 C 控制什麼？
C 平衡有較大餘裕和允許某些訓練錯誤；小C意味著更寬、更寬容的餘裕。
哪個內核通常用於創建靈活的彎曲邊界？
RBF（高斯）內核是一種流行的預設值，它根據距離測量相似性，從而允許平滑的非線性邊界。