LibSVM 分类的实用指南
译者注：简单翻译了台湾林智仁教授的文章《A Practical Guide to Support Vector Classification》，
未经作者同意，没有版权；同时翻译仅供自己学习之用，不严谨，有错误，还请大家指出。
原文地址：http://www.csie.ntu.edu.tw/~cjlin/。译者博客：http://blog.sina.com.cn/netreview。
摘要
SVM（support vector machine）是一项流行的分类技术。然而，初学者由于不熟悉 SVM，常
常得不到满意的结果，原因在于丢失了一些简单但是非常必要的步骤。在这篇文档中，我们
给出了一个简单的操作流程，得到合理的结果。（译者注：本文中大部分 SVM 实际指的是
LibSVM）
1 入门知识
SVM 是一项非常实用的数据分类技术。虽然 SVM 比起神经网络（Neural Networks）要
相对容易一些，但对于不熟悉该方法的用户而言，开始阶段通常很难得到满意的结果。这里，
我们给出了一份指南，根据它可以得到合理结果。
需要注意，此指南不适用 SVM 的研究者，并且也不保证一定能够获得最高精度结果。
同时，我们也没有打算要解决有挑战性的或者非常复杂的问题。我们的目的，仅在于给初学
者提供快速获得可接受结果的秘诀。
虽然用户不是一定要深入理解 SVM 背后的理论，但为了后文解释操作过程，我们还是
先给出必要的基础的介绍。一项分类任务通常将数据划分成训练集和测试集。训练集的每个
实例，包含一个“目标值（target value）”（例如，分类标注）和一些“属性（attribute）”（例
如，特征或者观测变量）。SVM 的目标是基于训练数据产出一个模型（model），用来预测只
给出属性的测试数据的目标值。
给定一个训练集，“实例-标注”对，
，
支持向量机需要解决如下的优化问题：
在这里，训练向量 xi 通过函数Φ 被映射到一个更高维（甚至有可能无穷维）空间。SVM
在这个高维空间里寻找一个线性的最大间隔的超平面。C>0 是分错项的惩罚因子（penalty
parameter of the error term）。
被称之为核函数（kernel function）。新
的核函数还在研究中，初学者可以在 SVM 书中找到如下四个最基本的核函数：（线性、多项
式、径向基函数、S 型）
评论0