svm什么意思？以下内容主要是针对遇上SVM是什么意思的问题，我们该怎么理解呢。支持向量机（SupportVectorMachine），简称SVM，是一种建模技术，下面这篇文章将为你提供一个参考思路，希望能帮你解决到相关问题。
svm什么意思
SVM是由模式识别中广义肖像算法（generalized portrait algorithm）发展而来的分类器，其早期工作来自前苏联学者Vladimir N. Vapnik和Alexander Y. Lerner在1963年发表的研究。
1964年，Vapnik和Alexey Y. Chervonenkis对广义肖像算法进行了进一步讨论并建立了硬边距的线性SVM。
此后在二十世纪70-80年代，随着模式识别中最大边距决策边界的理论研究、基于松弛变量（slack variable）的规划问题求解技术的出现，和VC维（Vapnik-Chervonenkis dimension，VC dimension）的提出[12]，SVM被逐步理论化并成为统计学习理论的一部分。
1992年，Bernhard E. Boser、Isabelle M. Guyon和Vapnik通过核方法得到了非线性SVM。
1995年，Corinna Cortes和Vapnik提出了软边距的非线性SVM并将其应用于手写字符识别问题，这份研究在发表后得到了关注和引用，为SVM在各领域的应用提供了参考。
SVM是什么意思
1、支持向量机（SupportVectorMachine），简称SVM，是一种建模技术。
2、它可以根据给定的训练数据集，在数据的特征空间中找到可以将训练数据集分开的最优超平面（或叫做分离超平面），使得其距离最近的样本点到超平面的距离最远，这个最远与最近的距离叫做边界线（或称为边界距离）。
3、传统的线性模型，可以区分开正负样本，当在正、负样本数据有两个维度以上，要同时表示所有样本的结构以及误差时，可以使用SVM。
4、SVM一般都是在一个特征空间中的结构预测，也就是非线性模型，它可以为线性不可分或者非线性模型找到最优的分类超平面，对于數據集中希望让其尽可能多地分类正确的样本点而言，SVM把它们和超平面作比较，并且利用支持向量的技术以及核技术帮助它找到最优的分割超平面，以最大化的正确分类数量，这样它可以让误差最小化。
5、SVM特别适合处理高维度、少量样本的数据任务，因为它利用了支持向量的概念，所以它的求解过程不用考虑样本点多少，而且它可以使用一些核函数来帮助它构造复杂的非线性模型，特别是在数据量少或者维数高的情况下，它可以很好地把训练数据集分开，也可以通过扩展技术来有效地处理非线性可分类任务。
6、SVM适用于二分类、多分类任务，无偏差，可以实现非线性模型，可实现是否支持回归,可以实现嵌入式,能正则化,高效学习,准确度高以及能够以解释的方式来预测的优点都非常出色。
以上就是为你整理的SVM是什么意思全部内容，希望文章能够帮你解决svm什么意思相关问题，更多请关注本站科技问答百科栏目的其它相关文章！