》》》文末有乾貨》》》

是的，深度學習很火熱，但是你知道嗎？

在學界，支持向量機（SVM）更熱門！

根據某主要學術論文檢索平臺的搜索數據：

從“深度學習”元年 2016 年算起，截止 2018 年年末，在計算機科學界主要期刊、雜誌上發表的論文中：

• 有關 SVM（支持向量機）的共發表5.9萬篇
• 有關 Deep Learning（深度學習）的共發表5.1萬篇

可見，現代最主要的機器學習算法中，SVM 仍坐擁 60% 的關注度。

機器學習發展歷程

是為什麼呢？今天筆者就同大家談一談這背後的原因：

支持向量機（SVM）簡介

支持向量機（英文全稱 Support Vector Machine）是一種監督學習算法，在深度學習出現前，它是機器學習領域的頂尖。

圖，支持向量機的基本思想是通過一個函數將數據映射到一個高維空間中，並構造一個超平面將數據進行線性分類/迴歸。

值得一提的是：支持向量機背後擁有著非常優美的數學解釋*。

和其他機器學習算法的比較

• 其他學習算法：

其他機器學習算法在設計思想上採用的方法是：

• 每次參考一定數量的數據點，並根據誤差依次調整自己的分割線。直到所有的數據點被成功分類。

但是這裡便存在一個問題：他們沒有能力去尋找最好的分割線。即尋找能將任兩個不同類的數據點分得最遠的分割線。而支持向量機在設計原理上就是以找到最佳的分割線為目標的。

• 支持向量機（SVM）：

支持向量機背後的一個基本假設是：

• 如果一個分類器擅長做最困難的比較（比如不同類但很接近的數據點），那麼對於比較簡單的問題這個分類器一定會做得更好。

所以與其他算法不同，如圖，支持向量機的目的很明確：找到最佳的分割線。它只關注最難區分的點；而其他機器學習算法關注所有的點。所以支持向量機擁有比深度學習更好、更穩定的性能。

相關乾貨：

用Keras輕鬆預測股價*？這裡有筆者自用的Keras/Tensorflow教程資源等你領取！

即可領取筆者自用的Tensorflow/Keras教程資源

機器學習乾貨君致力於原創易於理解的技術原理與細節文章

I Study Hard,

So YOU Don't Have To !

批註：

*筆者將會在未來的文章中為大家揭示支持向量機的原理，敬請關注頭條號|機器學習乾貨君

*僅限Keras神經網絡技術研討，不包含任何投資建議

閱讀更多 機器學習乾貨君 的文章

關鍵字: 學習 設計 向量