支持向量機器 (Support vector machine)通常用在機器學習 (Machine learning)。是一種監督式學習 (Supervised Learning)的方法，主要用在分類 (Classification)和回歸 (Regression)上。現今多數人多簡稱之為SVM，在此來個SVM概念教學。
註：監督式學習，是一個機器學習中的技巧，可以由訓練資料中學到或建立一個模式（function / learning model），並依此模式推測新的實例 (instances)。訓練資料（training data）是由輸入物件（通常是向量）和預期輸出所組成。函數的輸出可以是一個連續的值（稱為迴歸分析），或是預測一個分類標籤（稱作分類）。
這次是我第三次聽課學SVM了！數學理論我頂多懂一半，但其實如果只想知道概念的話其實非常簡單。
首先我們想知道為什麼這個技術要叫做支持向量機器 (Support Vector Machine)，而其中支持向量 (Support Vector)是指在訓練資料集 (Training data set)中，用於分類上給予最多資訊的點，其會落在如圖中所示的紅色框起來的資料點。
SVM是一個可以同時運用於線性及非線性資料的分類演算法。它將原始資料轉換到更高的維度 (dimension)，從這些維度上，它可以利用在訓練資料集 (training data set)中所謂的super vectors來找到hyperplane，以用來分類資料。SVM主要是在尋找具有最大margin的hyperplane，也就是maximum marginal hyperplane，因為其具有較高的分類準確性，如圖中所示藍色箭頭指示的範圍。
我們來玩一下台大林智仁老師發展的LIBSVM吧～
先在黑色畫面中點出三種類別的資料。
跑出結果很完美地被分為三個區塊。
這時候我們很好奇，如果無法很漂亮地被區分，那麼會跑出什麼樣的結果？
如果對分類結果不滿意的話，還可以調整參數來達到理想效果。
以下參考連結有更詳盡的SVM教學。
參考：宅學習 – 一個介紹SVM的網頁、piaip 的 (lib)SVM 簡易入門、WiKi – 監督式學習、多媒體系統設計投影片 – SVMs、LIBSVM – A Library for Support Vector Machines。
逍遙文工作室 
Comments on: "支持向量機器 (Support Vector Machine)" (9)
[…] 在研究所時代有旁聽機器學習課程，當時有親自操作SVM來產生model，可參考最近七年度以來一直很夯的文章：支持向量機器 (Support Vector Machine)。此時想要在iOS上使用SVM model要怎麼做呢？好在Apple釋出轉換model工具，再配合2017年釋出的Core ML，就能輕易在iOS上使用該model。 […]
讚讚
就像您第一個圖
希望分類hyper plane 是另一個方向
有可能做到嗎?
讚讚
請問大大:
我點雲資料是帶狀，有一點寬扁扁的，使用回歸R 2約0.3
大部分的點預測誤差都過大，我是否可以用svm做出四條分類
且是帶狀
再分別將四條帶狀雲點群，執行回歸
請問大大這樣做的到嗎?
還是有其他方法?
謝謝您
讚讚
很清楚的概略介紹！
btw
第五段第三行的"super vector"是不是筆誤?
應該是support vector?
讚Liked by 1 person
是耶！感謝你看出來～ 😀
讚Liked by 1 person
[…] 既SVM實驗後，接著實驗高階的SVM。首先還是要瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)，先前的SVM實驗也可以參考。 […]
讚讚
[…] 剛把OpenCV更新到2.4.3版，來試驗一下它的SVM好不好用。首先當然要瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)，先前的SVM實驗也可以參考。 […]
讚讚
[…] 稍微瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)後，來使用OpenCV做個小小的實驗。 […]
讚讚
[…] 承接支持向量機器 (Support Vector Machine)的介紹之後，我們知道資料通常沒有那麼容易地被完美分類，那問題是不是就無解了呢？其實不然，如果用直線無法區分，那麼就用曲線來區分，然而曲線也會遇到障礙，而不得不讓資料混在錯的類別，如果我們提高層次來看待分類，那麼問題似乎就變得簡單了。 […]
讚讚