SVM支持向量机如何工作？核函数选择与过拟合风险详解

SVM（支持向量机）是由Vapnik及其同事在1990年代初提出的一种方法，通过找到最大化不同类别之间距离的最优线来对数据进行分类（Boser等，1992；Vapnik等，1997）。该方法中的边界被称为最大间隔分类器、最大间隔超平面或N维空间中的最大间隔超平面（Boser等，1992；Vapnik等，1997）。SVM算法可以应用于线性和非线性分类任务。当数据是线性的时，不需要进行转换，但当存在非线性数据时，可以通过使用核函数（如线性核、多项式核、Sigmoid核等）来转换数据，以提高不同类别的分离度（Cervantes等，2020）。这种数据转换的风险在于增加模型的复杂性和过拟合数据。过拟合数据指的是模型对测试数据拟合得过于紧密，以至于无法准确拟合来自其他来源的数据。