本章內容
- 簡單介紹支持向量機
- 利用SMO進行優化
- 利用核函數對數據進行空間轉換
- 將SVM和其他分類器進行對比
「由於理解支持向量機（Support Vector Machines，SVM）需要掌握一些理論知識，而這對於讀者來說有一定難度，於是建議讀者直接下載LIBSVM使用。」我發現，在介紹SVM時，不止一本書都採用了以上這種模式。本書並不打算沿用這種模式。我認為，如果對SVM的理論不甚瞭解就去閱讀其產品級C++代碼，那麼讀懂的難度很大。但如果將產品級代碼和速度提升部分剝離出去，那麼代碼就會變得可控，或許這樣的代碼就可以了。
有些人認為，SVM是最好的現成的分類器，這裡說的「現成」指的是分類器不加修改即可，直接使用。同時，這就意味著在數據上應用基本形式的SVM分類器就可以得到低錯誤率的結果。SVM能夠對訓練集之外的數據點做出很好的分類決策。
本章首先講述SVM的基本概念，書中會引入一些關鍵術語。SVM有很多實現，但是本章只關注其中最流行的一種實現，即序列最小優化1（Sequential Minimal Optimization，SMO）算法。在此之後，將介紹如何使用一種稱為核函數（kernel）的方式將SVM擴展到更多數據集上。最後會回顧第1章中手寫識別的例子，並考察其能否通過SVM來提高識別的效果。
1. 一種求解支持向量機二次規劃的算法。——譯者注