支持向量机训练好后，可以抛弃非支持向量机的点吗

支持向量机（SVM）是一种监督学习模型，其目标是在高维空间中找到一个最优超平面，最大化样本之间的间隔，也就是所谓的“最大边界”。非支持向量（Margin之外的点）对于确定决策边界来说并不是必需的，因为SVM的重点在于支持向量，即距离边界最近的数据点。

训练完成后，SVM并不依赖于所有的输入数据点来进行预测。实际上，只有少数离决策边界最远的数据点——支持向量会被用于计算分类规则。其他的数据点可能会落在分类区域的内部，并不影响模型的性能。然而，尽管非支持向量可以被抛弃，但这通常不是一种推荐的做法，因为它们仍然包含了一些信息，有助于泛化能力。

相关问题

线性支持向量机和非线性支持向量机

线性支持向量机（Linear Support Vector Machine，简称LSVM）和非线性支持向量机（Nonlinear Support Vector Machine，简称NLSVM）都是常用的机器学习算法，用于分类和回归任务。

线性支持向量机是一种基于超平面的分类器，它通过在特征空间中找到一个最优的超平面来实现分类。其目标是找到一个能够将不同类别的样本分开的超平面，并且使得离超平面最近的样本点到超平面的距离最大化。这些离超平面最近的样本点被称为支持向量。线性支持向量机可以通过核函数的引入进行非线性分类。

非线性支持向量机是在线性支持向量机的基础上引入了核函数的概念，通过将样本映射到高维特征空间中，使得原本线性不可分的样本在新的特征空间中变得线性可分。常用的核函数有线性核、多项式核、高斯核等。非线性支持向量机可以处理更加复杂的分类问题。

保存训练好的支持向量机模型

保存训练好的支持向量机模型的步骤如下：首先，根据SVM的主要步骤，我们需要对训练好的模型进行保存。这可以通过将模型参数和相关信息保存到文件中来实现。具体而言，可以使用Python中的pickle模块将模型对象保存为二进制文件。pickle模块提供了一种方便的方式来序列化和反序列化Python对象。通过将训练好的SVM模型对象保存为文件，我们可以在以后的预测任务中加载该文件并使用该模型进行预测。这样可以避免每次都重新训练模型，提高了预测的效率。因此，保存训练好的支持向量机模型可以通过使用pickle模块将模型对象保存为文件来实现。\[1\]
#### 引用[.reference_title]
- *1* *2* [支持向量机识别数字集（数据采集+模型训练+预测输出）](https://blog.csdn.net/weixin_47407066/article/details/123843368)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
- *3* [机器学习——支持向量机模型](https://blog.csdn.net/Jeremiah_/article/details/120700736)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]