1、SVM(SupptVectMachine)支持向量機相關理論介紹支持向量機相關理論介紹基于數(shù)據(jù)的機器學習是現(xiàn)代智能技術中的重要方面，研究從觀測數(shù)據(jù)（樣本）出發(fā)尋找規(guī)律，利用這些規(guī)律對未來數(shù)據(jù)或無法觀測的數(shù)據(jù)進行預測。迄今為止，關于機器學習還沒有一種被共同接受的理論框架，關于其實現(xiàn)方法大致可以分為三種[3]：第一種是經(jīng)典的（參數(shù)）統(tǒng)計估計方法。包括模式識別、神經(jīng)網(wǎng)絡等在內(nèi)，現(xiàn)有機器學習方法共同的重要理論基礎之一是統(tǒng)計學。參數(shù)方法正是基于傳

2、統(tǒng)統(tǒng)計學的，在這種方法中，參數(shù)的相關形式是已知的，訓練樣本用來估計參數(shù)的值。這種方法有很大的局限性。首先，它需要已知樣本分布形式，這需要花費很大代價，還有，傳統(tǒng)統(tǒng)計學研究的是樣本數(shù)目趨于無窮大時的漸近理論，現(xiàn)有學習方法也多是基于此假設。但在實際問題中，樣本數(shù)往往是有限的，因此一些理論上很優(yōu)秀的學習方法實際中表現(xiàn)卻可能不盡人意。第二種方法是經(jīng)驗非線性方法，如人工神經(jīng)網(wǎng)絡（ANN）。這種方法利用已知樣本建立非線性模型，克服了傳統(tǒng)參數(shù)估計方法

3、的困難。但是，這種方法缺乏一種統(tǒng)一的數(shù)學理論。與傳統(tǒng)統(tǒng)計學相比，統(tǒng)計學習理論（StatisticalLearningThey或SLT）是一種專門研究小樣本情況下機器學習規(guī)律的理論。該理論針對小樣本統(tǒng)計問題建立了一套新的理論體系，在這種體系下的統(tǒng)計推理規(guī)則不僅考慮了對漸近性能的要求，而且追求在現(xiàn)有有限信息的條件下得到最優(yōu)結(jié)果。V.Vapnik等人從六、七十年代開始致力于此方面研究，到九十年代中期，隨著其理論的不斷發(fā)展和成熟，也由于神經(jīng)網(wǎng)絡

4、等學習方法在理論上缺乏實質(zhì)性進展，統(tǒng)計學習理論開始受到越來越廣泛的重視。統(tǒng)計學習理論的一個核心概念就是VC維(VCDimension)概念，它是描述函數(shù)集或?qū)W習機器的復雜性或者說是學習能力(Capacityofthemachine)的一個重要指標，在此概念基礎上發(fā)展出了一系列關于統(tǒng)計學習的一致性(Consistency)、收斂速度、推廣性能(GeneralizationPerfmance)等的重要結(jié)論。統(tǒng)計學習理論是建立在一套較堅實的理

5、論基礎之上的，為解決有限樣本學習問題提供了一個統(tǒng)一的框架。它能將很多現(xiàn)有方法納入其中，有望幫助解決許多原來難以解決的問題（比如神經(jīng)網(wǎng)絡結(jié)構(gòu)選擇問題、局部極小點問題等）；同時，這一理論基礎上發(fā)展了一種新的通用學習方法──支持向量機（SupptVectMachine或SVM），已初步表現(xiàn)出很多優(yōu)于已有方法的性能。一些學者認為，SLT和SVM正在成為繼神經(jīng)網(wǎng)絡研究之后新的研究熱點，并將推動機器學習理論和技術有重大的發(fā)展。支持向量機方法是建立在

6、統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小原理基礎上的，根據(jù)有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度，Accuracy)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的推廣能力(GeneralizatinAbility)。支持向量機方法的幾個主要優(yōu)點1.SVM的優(yōu)勢（1）可以解決小樣本情況下的機器學習問題（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(jīng)網(wǎng)絡結(jié)構(gòu)選