Build your ultimate AI agent
课程介绍
本课程将以直观、可视化的方式介绍一种强大的分类器——支持向量机（SVM）。通过 R 中 e1071 包的 libsvm 实现，Support Vector Machines in R 将帮助学习者理解 SVM 作为分类器的模型原理，并获得实际操作经验。课程中，您还将直观掌握硬间隔与软间隔、核技巧、不同类型的核函数以及如何调参等关键概念。准备好用这一强大的模型来完成数据分类吧。
先修要求
课程大纲
课程大纲
1
导言
本章通过一个简单的 1 维示例引入支持向量机的一些关键概念。您还将学习如何构造一个线性可分的数据集，供后续章节使用。
2
支持向量分类器——线性核
本章通过将 svm 算法应用于线性可分的数据集，向您介绍支持向量机的基本概念。我们将用由算法输出构建的 ggplot 可视化来展示要点，并通过一个简单示例强调 cost 参数的作用。最后，本章将介绍算法如何处理多类别问题。
3
多项式核
本章通过一个径向可分（即具有圆形决策边界）的数据集引入多项式核。在展示线性核对该数据集效果不佳之后，您将看到如何通过一次简单变换使问题在线性空间中可分，从而引出对核技巧的直观讨论。随后，您将把多项式核应用到该数据集并对得到的分类器进行调参。
4
径向基函数核
在前三章基础上，本章将介绍高度灵活的径向基函数（RBF）核。您将创建一个"复杂"的数据集，以揭示多项式核的局限性。接着，在对 RBF 核进行直观动机阐释之后，您将看到它如何弥补本课程中其他核函数的不足。
R
R 中的支持向量机
课程完成
