人工智能机器学习有5个主要流派：1）象征主义，2）贝叶斯主义，3）连接主义，4）进化论和5）模拟器。今天，我们重点讨论模拟器-支持向量机（SVM）中的最佳算法SVM概述：支持向量机（SVM）是由Vapnik领导的AT＆amp; T贝尔实验室研究小组在1995年提出的一种新的很有潜力的技术。 。最初主要针对二元分类问题提出，并成功地应用了子解函数回归和一类分类问题，并将其扩展到大量应用中的实际多值分类问题。支持向量机（SVM）是与相关学习算法有关的监督学习模型。自支持向量机（SVM）诞生以来，由于其良好的分类性能而席卷了机器学习领域，并且多年来一直坚定地压制着神经网络领域。如果不考虑集成学习算法，并且不考虑特定的训练数据集，则可以说分类算法中的性能SVM排名第一。支持向量机（SVM）在解决小样本，非线性和高维模式识别方面显示出许多独特的优势，并且可以扩展到其他机器学习问题，例如函数拟合。 SVM原理简介：支持向量机（SVM）方法基于统计学习理论的VC维理论和结构风险最小化原理。基于有限的样本信息，它寻求模型的复杂性和学习能力之间的最佳折衷，以获得最佳的提升能力。支持向量机（SVM）与神经网络的相似之处在于它们都是学习机制，但与神经网络不同，SVM使用数学方法和优化技术。 SVM背后的数学理论基础（概率论和数理统计，功能分析和运筹学等）是现代人类的一项伟大的数学成就。由于数学上的困难，SVM研究在开始时并未得到足够的重视。直到统计学习理论SLT的实现和诸如神经网络等新型机器学习方法的研究遇到了一些重要的困难，SVM才得以迅速发展和改进。支持向量机（SVM）可以分析数据，识别模式并将其用于分类和回归分析。给定一组训练样本，每个样本都被标记为属于两个类别，SVM训练算法将构建一个模型，将一个新实例分配给一个类别或其他类别，从而使其成为非概率二进制线性分类。映射SVM模型的示例（例如空间中的点），以使不同类别的示例由清晰的间隙表示，该间隙应尽可能宽地划分。新的示例将映射到相同的空间，并且根据它们落在间隙一侧的情况而被预测为属于一个类别。除了线性分类，支持向量机还可以使用核技术，并且将其输入隐式映射到高维特征空间以有效执行非线性分类。支持向量机可以构造一个超平面，或者在一个高维或无限维空间中构建超平面，该空间可用于分类，回归或其他设置超平面的任务。通常，由于分类器在较大裕度下的泛化误差，与任何类别的最近训练数据点之间的距离最大的超平面通常会实现良好的分离。最初的问题可能是在有限维空间中描述的，并且经常出现是要辨别集合在该空间中是否可线性分离。因此，有人建议将原始的有限维空间映射到更高的三维空间，以使该空间中的分离更加容易。为了使计算负担合理，设计了使用支持向量机计划的映射，以确保可以轻松地根据原始空间中的变量以及核函数k（x，y）的计算来计算点积。从中选择可以解决问题的方法。高维空间中的超平面被定义为一组点的点积，并且空间中的向量是恒定的。可以基于在参数alpha_i中生成的数据的线性组合，将定义的超平面的载波选择为特征向量的图像。这种选择超平面的方法是，将x的特征空间映射到该超平面由以下关系定义：字体sum_ialpha_ik（x_i，x）= mathrm {constant}。请注意，如果y的增长为fu，则k（x，y）变得小于x