一些好的 SVM 教程的指针 [关闭]

Question

我一直在努力掌握支持向量机的基础知识，并下载并阅读了许多在线文章。但仍然无法掌握它。

我想知道是否有一些

• 不错的教程
• 可用于理解的示例代码

或者其他你能想到的东西，这将使我能够轻松学习 SVM 基础知识。

附：我以某种方式设法学习了PCA（主成分分析）。顺便说一句，你们可能会猜到我正在研究机器学习。

Answer 1

SVM 教程的标准建议是 用于模式识别的支持向量机教程 作者：克里斯托弗·伯吉斯。另一个学习 SVM 的好地方是 机器学习课程 斯坦福大学（第 6-8 讲中介绍了 SVM）。这两者都非常理论化，并且涉及大量数学知识。

至于源代码； SVM光, 库支持虚拟机 和 小型支持向量机 都是开源的，但是代码不太容易理解。我没有仔细研究它们中的每一个，但 TinySVM 的源代码可能是最容易理解的。还有 SMO 算法的伪代码实现 这张纸.

Answer 2

这是一个非常好的 SVM 初学者教程：

支持向量机解释

我一直认为 StompChicken 推荐的教程有点令人困惑，因为他们直接讨论边界和 VC 统计并试图找到最佳机器等。不过，如果您已经了解基础知识，那就太好了。

Answer 3

很多关于 SVM 的视频讲座：
http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/

我找到了一个 科林·坎贝尔 非常有用。

Answer 4

SVM分类实用指南 为了 库支持虚拟机
PyML 教程 为了 PyML我认为 1 实用性强， 3 清晰易懂。

Answer 5

假设您了解基础知识（例如最大边距分类器、构建内核），请解决 问题集 2（讲义 #5） 斯坦福大学机器学习课程。有答案键并且他在整个过程中握住你的手。使用 讲义3 & 视频#7-8 作为参考。

如果您不了解基础知识，请观看之前的视频。

Answer 6

我会拿一份 右, ，安装 e1071 包裹得很好 库支持虚拟机, ，并尝试在您最喜欢的数据集上获得良好的结果。

如果您刚刚了解 PCA，那么查看具有比案例更多的预测变量的数据（例如，微阵列基因表达谱、时间序列、分析化学光谱等）并比较 PCA 预测变量的线性回归可能会提供丰富的信息在原始预测变量上使用 SVM。

其他答案中有很多很好的参考资料，但我认为在阅读里面的内容之前先尝试一下黑匣子是有价值的。