4.1.2　支持向量机

支持向量机算法（SVM）是建立在统计学理论基础上的机器学习方法，为十大数据挖掘算法之一。SVM的核心思想是尽最大努力使得两个类别有最大间隔，这样才能使分隔具有更高的可信度，并且对于未知的新样本也具有很好的分类预测能力，即泛化能力。具体原理在第11章中详细阐述。

支持向量机算法实现的一般步骤如下：导入数据，数据归一化，执行SVM寻找最优的超平面，绘制分类超平面核支持向量，利用多项式特征在高维空间中执行线性SVM，选择合适的核函数，执行非线性SVM。

支持向量机算法的优点：

·使用核函数可以向高维空间进行映射；

·使用核函数可以解决非线性的分类；

·分类思想很简单，就是将样本与决策面的间隔最大化；

·分类效果较好。

支持向量机算法的缺点：

·SVM算法不适用于大规模训练样本；

·用SVM解决多分类问题存在困难；

·对缺失数据敏感，对参数和核函数的选择敏感。