支持向量机 (SVM) 基本原理

支持向量 (vector)机 (SVM) 为分类问题提供了一种强大且通用的方法。与逻辑回归等主要侧重于寻找决策边界的算法不同，SVM 采用了一种独特策略：它们旨在识别不同类别之间最优的决策线或超平面。这个最优超平面被定义为到任一类别最近数据点的距离（即间隔）最大化的那个。

最大间隔分类器

设想你有一些数据点，它们属于二维平面上的两个不同类别。你想要画一条直线来分离这两个类别。你可能会画出许多条可能的线。哪一条是最佳的呢？

SVM 通过寻找一条尽可能远离两个类别中最近的点的线来回答这个问题。这条分离线（超平面）到最近点的距离称为间隔。产生最大间隔的超平面被认为是最佳的。这通常被称为最大间隔超平面。

为什么要最大化间隔？从直观上看，较大的间隔表明类别之间有更可靠的分离。具有大间隔的决策边界对数据中的微小扰动不太敏感，并且可能在新数据上表现更好。

通常，对于一个 $n$ 维特征空间，分隔器是一个 $(n-1)$ 维超平面。

• 在二维空间中，超平面是一条线。
• 在三维空间中，超平面是一个平面。
• 在更高维度中，它很难被可视化，但在数学上表示一个平坦的子空间。

支持向量 (vector)

最接近最大间隔超平面（正好在间隔边缘上）的数据点被称为支持向量。它们是数据集中重要的数据点，因为它们“支撑”或确定了超平面。如果你移动任何一个支持向量，最佳超平面的位置可能会改变。相反，移动不是支持向量（并且远离间隔）的数据点不会影响超平面，只要它们不越过间隔边界。这个特性使得 SVM 内存高效，特别是在高维空间 (high-dimensional space)中，因为模型定义只依赖于这些少数支持向量。

我们来将这个想法在二维空间中呈现：

这个图表展示了两类数据点。实线表示由 SVM 找到的最大间隔超平面。虚线指示了间隔边界，而位于这些虚线上的点是支持向量（用空心圆圈高亮显示）。

处理非线性边界：核技巧

上述想法在数据线性可分时表现良好，这意味着你可以画一条直线（或超平面）来完美分离这些类别。但如果数据不是线性可分的怎么办？

考虑呈同心圆排列的数据。没有一条直线可以分离内圈和外环。SVM 使用一种巧妙的技术来处理这个问题，通常称为核技巧。

核心思路是将原始特征转换到一个更高维度的空间，在那里数据可能变得线性可分。想象将二维同心圆数据投影到三维空间中，使得内圈点的高度与外环点不同。在这个新的三维空间中，你可能可以用一个简单的平面（三维空间中的超平面）来分离这些类别。

核函数计算数据点在这个可能非常高维的特征空间中的点积，而无需实际计算该空间中点的坐标。这使得计算过程高效。常见核函数包括：

• 线性核函数： 对应于前面描述的最大间隔分类器（无转换）。
• 多项式核函数： 将数据映射到包含原始特征多项式组合的空间。
• 径向基函数 (RBF) 核函数（或高斯核函数）： 将数据映射到无限维空间。这是一个非常常用且通常有效的默认选择。

通过使用核函数，SVM 可以学习复杂的非线性决策边界。

支持向量 (vector)机在高维空间 (high-dimensional space)中特别有效（特征数量很多，甚至多于样本数量），并且由于它们依赖于支持向量而内存高效。下一节将详细说明如何使用 Scikit-learn 的 SVC（支持向量分类器）估计器实现 SVM 分类器，使你能够实际运用这些知识。