【机器学习】动画讲解SVM

虚幻工具人:
你要是讲人工智能那我就得关注了[doge]

spin-glass:
关注收藏，希望能出更多算法的动画演示！

江南书枭:
svm现在还有研究的空间和价值吗，不懂就问

【回复】模型的选择原则是模型复杂度要和数据量相匹配，如果训练数据不是很多，就得考虑机器学习模型，而不是一开始就用神经网络，否则可能会过拟合，但具体要选哪个机器模型，也需要尝试，集成方法一般认为要比SVM好，但这是有代价的，集成方法采用多个基学习器，所以训练和推理时间肯定要长，如果数据本来就线性可分，SVM完全可以work，除此之外，SVM中带约束的参数求解方法，以及核技巧都是值得学习的知识点，其他地方也能用到，最后就是即使项目中用不到SVM，但它也是面试中常见话题
【回复】回复 @人工智能大讲堂 :讲得太好了[热词系列_妙啊]
没事干来bb学习:
通俗易懂才是真，看了动画基本能理解

攻科大队长:
svm和rbf比起在如何呢？我一般把所有数据作为输入，输出0到1的浮点数，要么和0.5做比较看分类，要么聚类。我感觉svm对我最大的意义就是写论文的时候有真正可写的东西。毕竟rbf四舍五入就是一个黑箱。

马猴烧酒邓布利多:
请问用核函数变换后训练的数据训练，训练好的之后遇到新的数据还要将新的数据通过核函数处理才能预测吗

【回复】SVM在训练完成后，对新数据进行推理时也要应用核函数。具体来说，对于一个新的样本x，我们需要计算它与训练集中所有支持向量（即对分类结果有影响的样本）的核函数值，然后根据SVM模型得到的参数（如权重w和偏置b）来计算出它属于哪个类别。