新数据进入训练好的SVM后，SVM是根据什么判断它属于哪一类的？

在SVM中，新数据进入模型后，模型会将其映射到高维空间，并尝试找到一个最优的超平面来将不同类别的数据点分开。具体来说，SVM会计算新数据点与超平面之间的距离，如果新数据点离超平面越近，就越有可能属于超平面两侧的某一类别。SVM会根据这个距离判断新数据点应该属于哪一类别。同时，SVM还可以使用核函数来将新数据点映射到更高维的空间中，以更好地分离不同类别的数据点。

相关问题

SVM是怎么训练数据的

SVM（支持向量机）是一种监督学习算法，其目的是构建一个可以将训练数据分成不同类别的超平面。SVM的训练过程包括以下步骤：

1. 数据预处理：将原始数据进行预处理，包括特征提取、特征选择、数据清洗等操作。

2. 确定超平面：SVM的目标是构建一个可以将不同类别的数据分开的超平面。为了确定这个超平面，需要选择一个最优的分割边界，使得两侧的数据距离最远。

3. 定义损失函数：SVM使用的是Hinge Loss损失函数，该函数可以对分类错误进行惩罚，并且可以将分类正确的数据点忽略掉。

4. 求解最优解：通过求解最优解来确定最优的分割边界。SVM使用的是凸优化算法，可以高效地求解最优解。

5. 模型评估：使用测试数据对模型进行评估，计算模型的准确率、精度、召回率等指标，以判断模型的性能。

6. 模型优化：根据模型评估的结果，对模型进行优化，包括调整参数、改进算法等操作，以提高模型的性能。

knn svm softmax 基于minist数据集对比分析哪种模型的性能最好，需要解释为什么最好

针对MNIST数据集，KNN、SVM、Softmax都是常用的分类算法。其中，KNN是一种基于实例的学习方法，SVM是一种二分类模型，Softmax是一种多分类模型。在这三种模型中，哪种模型的性能最好需要根据具体的实验结果来判断。

一般来说，KNN对于特征维度高、样本数少的数据集适用性较好，但是在MNIST数据集这种高维度、样本量大的数据集上，KNN的计算复杂度会很高，性能不如其他模型。SVM是一种二分类模型，需要进行多次训练才能实现多分类，但是在MNIST数据集上，SVM的分类效果很好，尤其是在处理非线性可分数据时表现出色。Softmax是一种多分类模型，可以直接对数据进行多分类，但是在MNIST数据集上，由于其对于错误分类的惩罚不够严厉，容易产生过拟合现象。

因此，根据实验结果来看，在MNIST数据集上，SVM的性能最好。SVM可以有效地处理高维度数据，同时也能够处理非线性可分的数据，因此在MNIST数据集上表现出色。