SVM有如下主要幾個特點：
(1)非線性映射是SVM方法的理論基礎,SVM利用內積核函數(shù)代替向高維空間的非線性映射；
(2)對特征空間劃分的最優(yōu)超平面是SVM的目標,最大化分類邊際的思想是SVM方法的核心；
(3)支持向量是SVM的訓練結果,在SVM分類決策中起決定作用的是支持向量；

(4)SVM 是一種有堅實理論基礎的新穎的小樣本學習方法。
它基本上不涉及概率測度及大數(shù)定律等,因此不同于現(xiàn)有的統(tǒng)計方法。
從本質上看,它避開了從歸納到演繹的傳統(tǒng)過程,實現(xiàn)了高效的從訓練樣本到預報樣本的“轉導推理”,
大大簡化了通常的分類和回歸等問題；
(5)SVM 的最終決策函數(shù)只由少數(shù)的支持向量所確定,計算的復雜性取決于支持向量的數(shù)目,
而不是樣本空間的維數(shù),這在某種意義上避免了“維數(shù)災難”。
(6)少數(shù)支持向量決定了最終結果,這不但可以幫助我們抓住關鍵樣本、“剔除”大量冗余樣本,
而且注定了該方法不但算法簡單,而且具有較好的“魯棒”性。

這種“魯棒”性主要體現(xiàn)在:
①增、刪非支持向量樣本對模型沒有影響;
②支持向量樣本集具有一定的魯棒性;
③有些成功的應用中,SVM 方法對核的選取不敏感



兩個不足：
(1) SVM算法對大規(guī)模訓練樣本難以實施由于SVM是借助二次規(guī)劃來求解支持向量，
而求解二次規(guī)劃將涉及m階矩陣的計算（m為樣本的個數(shù)），當m數(shù)目很大時該矩陣的存儲和計算
將耗費大量的機器內存和運算時間。
針對以上問題的主要改進有
J.Platt的SMO算法、
T.Joachims的SVM、
C.J.C.Burges等的PCGC、
張學工的CSVM
以及O.L.Mangasarian等的SOR算法

(2) 用SVM解決多分類問題存在困難
經(jīng)典的支持向量機算法只給出了二類分類的算法，
而在數(shù)據(jù)挖掘的實際應用中，一般要解決多類的分類問題。
可以通過多個二類支持向量機的組合來解決。
主要有
一對多組合模式、一對一組合模式和SVM決策樹；
再就是通過構造多個分類器的組合來解決。
主要原理是克服SVM固有的缺點，結合其他算法的優(yōu)勢，解決多類問題的分類精度。
如：
與粗集理論結合，形成一種優(yōu)勢互補的多類問題的組合分類器。

愛華網(wǎng)本文地址 » http://www.klfzs.com/a/25101014/188903.html