如何实现数据的真正价值？

1.1.5 支持向量机

一、定义

支持向量机(SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。

二、优缺点

1.优点

• 有严格的数学理论支持，可解释性强，不依靠统计方法，简化了通常的分类和回归问题。
• 上述支持向量决定了最终结果，对异常值不敏感，可以帮助抓住关键样本，剔除大量冗余样本
• 该算法简单且具有较好的“鲁棒性”
• 计算的复杂度取决于支持向量的数目，而不是样本空间的维数，某种意义上避免了“维数灾难”
• 泛化能力较强

2.缺点

• 对大规模训练样本难以实施：SVM的空间消耗主要是存储训练样本和核矩阵，由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的运算，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。
• 解决多分类问题困难：经典的支持向量机算法只给出了二类分类算法，解决多分类问题需要通过多个二类支持向量机的组合来解决(一对多组合模式、一对一组合模式和SVM决策树)。
• 对参数和核函数选择敏感：支持向量机性能的优劣主要取决于核函数的选取。

三、应用场景

SVM在各领域的模式识别问题中有应用，包括人像识别、文本分类、手写字符识别、生物信息学等。

四、重要知识点

1.重要概念
 

1.1.4 朴素贝叶斯

一、定义

朴素贝叶斯法(NBC)是基于贝叶斯定理与特征条件独立假设的分类方法。先通过已给定的训练集，以特征词之间独立作为前提假设，学习从输入到输出的联合概率分布，再基于学习到的模型，输入X求出使得后验概率最大的输出Y。

二、优缺点

1.优点

• 朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率
• 对缺失数据不敏感，算法简单，常用于文本分类
• 分类准确度高，速度快

2.缺点

• 使用了样本独立性的假设，如果特征属性有关联性，其效果较差

三、应用场景

• 文本分类
• 文字识别
• 图像识别

四、重要知识点

1.贝叶斯公式

（编辑：衡水站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!