人工智能之機器學習有5大流派： 1） 符號主義，2） 貝葉斯派，3） 聯(lián)結(jié)主義，4） 進化主義，5） Analogizer。今天我們重點探討一下Analogizer中最擅長算法－支持向量機（SVM）

SVM概述：

支持向量機（SVM）是由Vapnik領導的AT＆T Bell實驗室研究小組在1995年提出的一種新的非常有潛力的分類技術(shù)。剛開始主要針對二值分類問題而提出，成功地應用子解函數(shù)回歸及一類分類問題，并推廣到大量應用中實際存在的多值分類問題中。支持向量機（SVM）是一種與相關學習算法有關的監(jiān)督學習模型。

支持向量機（SVM）自誕生起便由于它良好的分類性能席卷了機器學習領域，并牢牢壓制了神經(jīng)網(wǎng)絡領域好多年。如果不考慮集成學習的算法，不考慮特定的訓練數(shù)據(jù)集，在分類算法中的表現(xiàn)SVM可以說是排第一的。

支持向量機（SVM）在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應用到函數(shù)擬合等其他機器學習問題中。

SVM原理介紹：

支持向量機（SVM）方法是建立在統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小原理基礎上的，根據(jù)有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折中，以求獲得最好的推廣能力。支持向量機（SVM）與神經(jīng)網(wǎng)絡類似，都是學習型的機制，但與神經(jīng)網(wǎng)絡不同的是SVM使用的是數(shù)學方法和優(yōu)化技術(shù)。SVM背后的數(shù)學理論基礎（概率論與數(shù)理統(tǒng)計、泛函分析和運籌學等）是近代人類的偉大數(shù)學成就。由于數(shù)學上比較艱澀，剛開始SVM研究一直沒有得到充分的重視。直到統(tǒng)計學習理論SLT的實現(xiàn)和由于神經(jīng)網(wǎng)絡等較新興的機器學習方法的研究遇到一些重要的困難，才使得SVM迅速發(fā)展和完善。

支持向量機（SVM）可以分析數(shù)據(jù)，識別模式，用于分類和回歸分析。給定一組訓練樣本，每個標記為屬于兩類，一個SVM訓練算法建立了一個模型，分配新的實例為一類或其他類，使其成為非概率二元線性分類。一個SVM模型的例子，如在空間中的點，映射，使得所述不同的類別的例子是由一個明顯的差距是盡可能寬劃分的表示。新的實施例則映射到相同的空間中，并預測基于它們落在所述間隙側(cè)上屬于一個類別。

除了進行線性分類，支持向量機可以使用核技巧，它們的輸入隱含映射成高維特征空間中有效地進行非線性分類。一個支持向量機的構(gòu)造一個超平面，或在高或無限維空間，其可以用于分類，回歸，或其它任務中設定的超平面的。一個良好的分離通過具有到任何類的最接近的訓練數(shù)據(jù)點的最大距離的超平面的一般實現(xiàn)中，由于較大的裕度下分類器的泛化誤差。而原來的問題可能在一個有限維空間中所述，經(jīng)常發(fā)生以鑒別集是不是在該空間線性可分。出于這個原因，有人建議，在原始有限維空間映射到一個高得多的立體空間，推測使分離在空間比較容易。保持計算負荷合理，使用支持向量機計劃的映射被設計成確保在點積可在原空間中的變量而言容易地計算，通過定義它們中選擇的核函數(shù)k（x，y）的計算以適應的問題。

在高維空間中的超平面被定義為一組點的點積與該空間中的向量是恒定的。限定的超平面的載體可被選擇為線性組合與參數(shù)alpha＿i中發(fā)生的數(shù)據(jù)的基礎上的特征向量的圖像。這種選擇一個超平面，該點中的x的特征空間映射到超平面是由關系定義：字型sum＿ialpha＿ik（x＿i中，x）＝mathrm｛常數(shù)｝。注意，如果k（x，y）變小為y的增長進一步遠離的x，在求和的每一項測量測試點x的接近程度的相應數(shù)據(jù)基點x＿i的程度。以這種方式，內(nèi)核上面的總和可以被用于測量各個測試點的對數(shù)據(jù)點始發(fā)于一個或另一個集合中的要被鑒別的相對接近程度。

SVM分類器分類：

1）線性分類器：一個線性函數(shù)，可以用于線性分類。一個優(yōu)勢是不需要樣本數(shù)據(jù)。線性分類器公式如下：

－－（1）

2）非線性分類器：支持線性分類和非線性分類。需要部分樣本數(shù)據(jù)（支持向量），也就是αi≠0的數(shù)據(jù)。非線性分類器公式如下：