svm优点,svm算法是有监督还是无监督

svm优点,svm算法是有监督还是无监督

SVM就是试图把棍放在最佳位置，好让在棍的两边有尽可能大的间隙。现在即使魔鬼放了更多的球，棍仍然是优点：对于边界清晰的分类问题效果好；对高维分类问题效果好；当维度高于样本数的时候，SVM 较为有效；因为最终只使用训练集中的支持向量，所以节约内存缺点：当

一、SVM优点

优点：高维度：SVM 可以高效的处理高维度特征空间的分类问题。这在实际应用中意义深远。比如，在文章分类问题中，单词或是词组组成了特征空间，特征空间的维度高达10 的6 次方以上。svm优缺点SVM 有如下主要几个特点：(1)非线性映射是SVM 方法的理论基础，SVM 利用内积核函数代替向高维空间的非线性映射；(2)对特征空间划分的最优超平面是SVM 的目标，最大

二、svm优点缺点

优点：1、使用核函数可以向高维空间进行映射2、使用核函数可以解决非线性的分类3、分类思想很简单，就是将样本与决策面的间隔最大化4、分类效果较好缺点：11.核支持向量机是非常强大的模型，在各种数据集上的表现都很好。svm允许决策边界很复杂，即使数据只有几个特征。它在低维数据和高维数据(即很少特征和很多特征)

三、SVM的缺点

① SVM的优势在于解决小样本、非线性和高维的回归和二分类问题。② 小样本，是指与问题的复杂度相比，SVM要求的样本数相对较少。③ 非线性，是指SVM擅长应付样SVM有如下主要几个优点：(1)SVM 是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等，因此不同于现有的统计方法。从本质上看，它避开了从归纳到演绎的

四、SVM算法优缺点

优点： (1)非线性映射是SVM方法的理论基础，SVM利用内积核函数代替向高维空间的非线性映射； (2)对特征空间划分的最优超平面是SVM的目标，最大化分类边际的思想是SVM方法的核心3.1. 优点既然我们知道了SVM 的原理，SVM 的优点就非常明显了：错误率低计算开销不大结果容易理解可视化3.2. 缺点对参数调节和核函数敏感原始分类器只能处理二分类问题4