支持向量机 (SVM)

支持向量机（SVM）是一种功能强大、用途广泛的监督学习算法，可用于分类和回归任务。SVM 的核心是找到一个最佳超平面或决策边界，将数据点分成不同的类别。SVM 之所以特别有效，是因为它的目标是最大化边际--分离超平面与任何类别的最近数据点之间的距离。这一原则在Cortes 和 Vapnik 的基础论文中有详细阐述，它有助于提高模型的泛化能力，使其不易过度拟合。

Svms 如何工作

该算法的工作原理是将每个数据项绘制成 n 维空间中的一个点（n 为特征数）。然后，通过寻找能在不同类别之间产生最佳分离效果的超平面来进行分类。

• 超平面：这是决策边界。在有两个特征的数据集中，它是一条线；有三个特征时，它是一个平面。如果特征较多，则会变成超平面。
• 支持向量：这些是最靠近超平面的数据点。它们至关重要，因为它们定义了边际，移除它们会改变超平面的位置。斯坦福大学的 CS229 讲义中提供了支持向量的出色可视化方法。
• 边际：边际是支持向量与超平面之间的差距。SVM 的目标是找到能最大化边际值的超平面，从而创建尽可能稳健的分离。
• 核技巧：对于不可线性分离的数据，SVM 使用一种称为 "核技巧 "的技术。这种强大的方法是将数据转换到一个高维空间，在该空间中可以找到线性分离器，而无需明确计算数据在新空间中的坐标。像径向基函数 (RBF) 这样的常用核可以处理非常复杂的非线性关系。您可以浏览 SVM 内核指南，了解更多详情。

实际应用

SVM 在许多领域都很有效，尤其是在处理高维数据问题时。

• 生物信息学在基因组学和蛋白质组学中，SVM 可用于蛋白质分类和基因表达数据分析。例如，它们可以帮助根据微阵列数据识别癌症亚型，这是一项涉及数千个特征的任务。这使得 SVM 成为人工智能在医疗保健领域的重要工具。
• 图像分类：在深度神经网络占据主导地位之前，SVM 是图像分类领域表现最出色的模型。它们已成功用于MNIST等数据集上的手写数字识别和Caltech-101 上的物体识别等任务。
• 文本分类：在自然语言处理（NLP）领域，SVM 对于垃圾邮件检测和情感分析等任务非常有效。它们能有效管理文本矢量化方法创建的高维特征空间。

Svm 与其他算法的比较

与逻辑回归等更简单的算法相比，SVM 的目标是最大化边际，而不仅仅是找到一个分离边界，这可以带来更好的泛化效果。与决策树或随机森林等基于树的方法不同，SVM 会构建一个单一的最优超平面（可能在高维空间中）。Ultralytics YOLO等现代深度学习模型擅长从原始数据（如计算机视觉（CV）中的像素）中自动提取特征，而 SVM 通常需要仔细的特征工程，但在特征定义明确的较小数据集或特定类型的结构化数据中，SVM 的表现却异常出色。您可以在UCI 机器学习资料库中找到许多此类数据集。

流行的实现包括LibSVM和scikit-learn 中的 SVM 模块。虽然 SVM 通常不是PyTorch或TensorFlow 等现代 CV 框架的核心，但它可以集成到更广泛的工作流程中。使用Ultralytics HUB 等平台可以简化从数据标注到超参数调整和最终模型部署的MLOps生命周期。