大话系列 | SVM（中）—这才一节你就不行了？
全文共1398字，阅读全文需11分钟
写在前面的话
大家好，我是小一
上节介绍了支持向量机算法，算是一个稍稍有难度的算法，其实主要是涉及到超平面这种不太好想象。如果你理解了上节，那么这节的内容很快就能掌握。
还记得上节最后还留了一个问题：存在噪声点的数据分类，应该怎么处理？
具体可以回顾下上节：大话系列 | SVM（上）
ok，一起来看一下如何解决这个问题，
针对样本的SVM
硬间隔线性支持向量机
还记得上节举的例子吗？
例子中提到的样本点都是线性可分的，我们就可以通过分类将样本点完全分类准确，不存在分类错误的情况，这种叫硬间隔，这类模型叫做硬间隔线性SVM
软间隔线性支持向量机
同样的，可以通过分类将样本点不完全分类准确，存在少部分分类错误的情况，这叫软间隔，这类模型叫做软间隔线性SVM
不一样的是，因为有分类错误的样本点，但我们仍需要将错误降至最低，所有需要添加一个惩罚项来进行浮动，所有此时求解的最大间隔就变成了这样：
非线性支持向量机
硬间隔和软间隔都是对线性可分的样本点进行分类，那如果样本点本身就不线性可分？
举个例子：下面这幅图
样本点并不是线性可分的，这种问题应该怎么处理呢？
解决这个问题之前，先看一下这个小短视频
视频中是将平面中的样本点映射到三维空间中，使用一个平面将样本线性可分
所以我们需要一种方法，可以将样本从原始空间映射到一个更高纬的空间中，使得样本在新的空间中线性可分。这，叫核函数
在非线性SVM中，核函数的选择关系到SVM的分类效果。
幸好的是，我们有多种核函数：线性核函数、多项式核函数、高斯核函数、sigmoid核函数等等，甚至你还可以将这些核函数进行组合，以达到最优线性可分的效果
核函数了解到应该就差不多了，具体的实现我们在下一节的实战再说
多分类支持向量机
还有最后一个问题：多分类
我们前面提到的所有例子最终都指向了二分类，现实中可不止有二分类，更多的是多分类问题
那么多分类应该怎么分呢？
有两种方法：一对多和一对一
一对多法
一对多法讲究的是将所有的分类分成两类：一类只包含一个分类，另一类包含剩下的所有分类
举个例子：现在有A、B、C、D四种分类，根据一对多法可以这样分：
①：样本A作为正集，B、C、D为负集 ②：样本B作为正集，A、C、D为负集 ③：样本C作为正集，A、B、D为负集 ④：样本D作为正集，A、B、C为负集
一对一法
一对一法讲究的是从所有分类中只取出两类，一个为正类一个为父类
再举个例子：现在有A、B、C三种分类，根据一对一法可以这样分：
①分类器：样本A、B ②分类器：样本A、C ③分类器：样本B、C
可以看到，两种方法各有优缺点，具体的都在思维导图里
写在后面的话
SVM讲完了。
截止到现在，分类算法我们都说过决策树、贝叶斯、k近邻和今天的支持向量机，分类算法也差不多就这些了，大家有空自己再复习复习。
后面还有两节集成分类算法，也都是在前面分类算法的基础上，分类效果也是要优于前面的基础分类算法，这个我们遇到了再说
还是那句话：学算法嘛，别给自己太大压力，理解差不多了就搞个项目练一练，这也是小一最初的想法，希望能对大家有点用处。
往期推荐
好巧啊，你也读到这了！
点个在看让小一看到你