机器学习中的支持向量机

在本文中，我们将讨论机器学习中的支持向量机。我们还将介绍其优缺点和应用。让我们一一讨论。

支持向量机：
支持向量机是一种监督学习系统，用于分类和回归问题。支持向量机受到许多人的青睐，因为它以较少的计算能力产生显着的正确性。它主要用于分类问题。我们有监督学习、无监督学习和强化学习三种类型的学习。支持向量机是通过划分超平面正式定义的选择性分类器。

给定标记的训练数据，算法输出分类新示例的最佳超平面。在二维空间中，这个超平面是将平面分成两部分的线，每个类位于两侧。支持向量机算法的目的是在N维空间中找到一个超平面，对数据点进行单独分类。

支持向量机的优点：

• 当类之间存在可理解的分离边界时，支持向量机的工作效果相当好。
• 它在高维空间中更有效率。
• 在维数大于试样数的情况下有效。
• 支持向量机是比较内存系统的。

支持向量机的缺点：

• 支持向量机算法对于大数据集是不可接受的。
• 当数据集有更多声音时，即目标类重叠时，它不会很好地执行。
• 在每个数据点的属性数量超过训练数据样本数量的情况下，支持向量机将表现不佳。
• 由于支持向量分类器通过在分类超平面上方和下方放置数据点来工作，因此分类没有概率说明。

支持向量机的应用：

1. 人脸观察——
   用于根据分类器和模型检测人脸。
2. 文本和超文本排列——
   在这种情况下，分类技术用于查找重要信息，或者您可以说出排列文本所需的信息。
3. 形象分组——
   它也用于分组描述的分组，或者您可以通过比较信息片段来表示并相应地采取行动。
4. 生物信息学——
   In 也用于医学科学以及实验室、DNA、研究等。
5. 手写纪念——
   在此，它用于手写识别。
6. 蛋白质折叠和远程同源性定位——
   它用于发现，或者您可以根据氨基酸序列将分类类别分为功能类别和结构类别。这是生物信息学中的难题之一。
7. 广义预测控制（GPC）——
   它还用于广义预测控制（GPC）进行预测，它依赖于使用多层前馈网络的预测控制作为植物线性模型的呈现。