想了解机器学习的看过来，一招教你变大神！(2)

间隔最大化

SVM的思想是使得间隔最大化，也就是：

显然，最大化 2||w|| 相当于最小化 ||w||，公式（6）可以转化成：

公式（7）即为支持向量机的基本型。

对偶问题的解决方法——拉格朗日乘子式

看到这类带约束的最小值问题，很自然我们想到了拉格朗日乘子法。

由此最终求解可以得到模型：

从这个结论里我们可以看出支持向量机的重要特征：当训练完成后，大部分样本都不需要保留，最终模型只与支持向量有关。

应用场景

近年来SVM已经在图像识别、信号处理、基因图谱识别等方面得到了广泛的应用，例如在无人驾驶技术中，需要对路面箭头指示进行识别，这里就用到了SVM。

又比如，方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中，进行物体检测的特征描述子。如今，HOG特征结合SVM分类器已经被广泛应用于图像识别中，尤其是在行人检测中，获得了极大的成功。

支持向量机 VS 深度学习

SVM和深度学习（DeepLearning，以下简称DL）相比，有哪些特点和适用场景呢？

一般来说，SVM在解决中小数据规模（相对少）、非线性（惩罚变量）、高维（核函数）模式识别方面，具有较大的优势。DL处理的对象主要为图像和声音，其优势在于对原始特征的表示。

但是神经网络相当于一个黑盒模型，在一些关键的应用场合，会有较高的风险。

例如在智能医疗方面，一个医生使用了基于深度学习的系统，却由于神经网络的“黑盒”特性，无法向患者解释诊断原理，那用户极有可能会因为高风险而拒绝。

【编辑推荐】

1. 面向开发者的18个机器学习平台
2. 深度学习已经触到天花板了吗
3. Euler问世！国内首个工业级的图深度学习开源框架
4. 用Azure ML Service构建和部署机器学习模型
5. 机器学习常见算法分类汇总大全

（编辑：ASP站长网）