支持向量機（SVM）綜述

 

1. SVM的優勢

（1）可以解決小樣本情況下的機器學習問題#此前在首頁部分顯示#

（2）可以提高泛化性能

（3）可以解決高維問題
（4）可以解決非線性問題

（5）可以避免神經網絡結構選擇和局部極小點問題

2. SVM的研究熱點

（1）模式識別

（2）迴歸估計

（3）概率密度估計

3. SVM的主要核函數

（1）多項式核函數

（2）徑向基核函數

（3）Sigmoid核函數

4. SVM的應用

（1）文本分類

（2）人臉識別

（3）三維物體識別

（4）遙感圖像分析

（5）函數逼近

（6）時間序列預測

（7）數據壓縮

（8）優化SVM算法

（9）SVM改進方法

（10）SVM硬件實現

5. SVM的難點

（1）如何在非監督模式識別問題中應用統計學習理論（SLT）

（2）如何用理論或實驗的方法計算VC維

（3）經驗風險和實際風險之間的關係稱之爲推廣性的界，但是當(h/n)>0.37時（h—VC維，n—樣本數），推廣性的界是鬆弛的，如何尋找一個更好地反映學習機器能力的參數和得到更緊的界

（4）實現結構風險最小化（SRM）時，如何選擇函數子集結構