Algorithm 指向一些好的SVM教程的指针

我一直在努力掌握支持向量机的基础知识，并下载和阅读了许多在线文章。但我还是无法把握

我想知道，如果有

• 不错的教程
• 可用于理解的示例代码

或者一些你能想到的，能让我轻松学习SVM基础知识的东西

PS：我设法学会了PCA（主成分分析）。 顺便说一句，你们会猜到我在研究机器学习。

for
对于

---

我认为这本书使用起来很实用，理解起来也很清楚。

支持向量机教程的标准推荐书是克里斯托弗·伯格斯（Christopher Burges）。另一个学习支持向量机的好地方是斯坦福大学（支持向量机在第6-8课中介绍）。这两种方法都是理论性的，而且都需要大量的数学知识

---

至于源代码，都是开源的，但是代码不是很容易理解。我还没有仔细研究它们，但是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。

假设您了解斯坦福机器学习课程的基础知识（如最大边距分类器、构建内核）。这里有答案键&在整个过程中他都会握着你的手。使用&作为参考

如果您不了解基本知识，请观看之前的视频。

我会抓取一份，安装包装精美的软件包，并尝试在您喜爱的数据集上获得良好的效果

如果您刚刚了解了PCA，那么查看具有比案例更多预测因子的数据（例如，微阵列基因表达谱、时间序列、分析化学光谱等）并将PCA预测因子上的线性回归与原始预测因子上的SVM进行比较，可能会提供信息

---

在其他答案中有很多很好的参考资料，但我认为在阅读黑匣子的内容之前先玩玩黑匣子是有价值的。

很多关于SVM的视频讲座：

---

我发现Colin Campbell的教程非常有用。

这是一个关于SVM的非常好的初学者教程：

---

我一直认为StompChicken推荐的教程有点让人困惑，因为他们会直接讨论边界和VC统计数据，并试图找到最佳的机器等等。不过，如果你已经了解了基础知识，那就好了

我只希望我能给你两张弃权票。非常好的教程，我已经在路上了。。。谢谢。Christopher Burges文章的链接已经过时了，但是Stompchick提供了足够的细节，可以在搜索中找到它。这是一篇很棒的文章；两者都非常“详细和全面”，同时也非常容易理解。克里斯托弗·伯格斯干得很出色。对于任何对支持向量机感兴趣的人来说，这本书都是一本好书。@MikeWilliamson感谢您指出断开的链接。我把它指向了一个新的、希望更持久的URL。我同意，“在深入了解基础知识之前先玩黑匣子”很好……这绝对是一个非常简单直观的新手入门材料。^^对于“微积分、向量几何和拉格朗日乘子”方面有很强背景的新手来说，在我看来，如果你已经有了，那么任何“数学重”的介绍都会更合适。谢谢。这太棒了！链接已断开链接已修复。问题集似乎是一个极好的资源。谢谢关于结束这个“问题”，我理解它并没有遵循StackOverflow的“规则”，但s.O.需要认识到它已经变得如此伟大和普遍，以至于社区将其用于许多目的。没有一个同等质量的论坛可以让阿尔法尼奥进行调查。也许是库拉？但实际上，S.O.是我真正专业知识的“首选”，而不是Quora。机器学习在任何QA社区中都不是很好，但我认为stats.stackexpenge.com或metaoptimize.com/QA现在比stackoverflow更适合使用。com@MikeWilliamson交叉验证呢？它正好迎合了这类问题。你能告诉我你的答案中[1]和[3]是什么吗？@ASHISHNEGI对不起，我不知道[1]和[3]为什么失去了链接，我记不起具体的信息了。答案可能已经过时了。