指向一些好的SVM教程

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，如果有一些

• 精彩教程
• 可用于理解的示例代码

或者你可以想到的东西，这将使我能够轻松学习SVM基础知识。

PS：我以某种方式学会了PCA（主成分分析）。 顺便说一下，你们会猜到我正在研究机器学习。

Answer 1

SVM教程的标准建议是Christopher Burges的A Tutorial on Support Vector Machines for Pattern Recognition。另一个了解SVM的好地方是斯坦福大学的Machine Learning Course（SVM包含在讲座6-8中）。这些都是非常理论化和沉重的数学。

至于源代码; SVMLight，libsvm和TinySVM都是开源的，但代码并不容易理解。我没有仔细研究过它们，但TinySVM的来源可能是最容易理解的。在this paper中还有一个SMO算法的伪代码实现。

Answer 2

这是一篇关于SVM的非常好的初学者教程：

SVM explained

我一直认为StompChicken的推荐教程有点令人困惑，因为他们直接谈论边界和VC统计并尝试找到最佳机器等。不过，如果您已经了解了基础知识，那就太好了。

Answer 3

关于SVM的大量视频讲座：
http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/

我发现 Colin Campbell 的那个非常有用。

Answer 4

A practical guide to SVM classification的{p> libsvm
PyML Tutorial PyML 我认为1是实用的，3对于理解是明确的。

Answer 5

假设您了解基础知识（例如最大边距分类器，构建内核），请解决该斯坦福机器学习课程的Problem Set 2 (handout #5)。有答案键和＆amp;他牵着你的手完成整个过程。使用Lecture notes 3＆amp; video #7-8作为参考。

如果您不了解基本知识，请观看之前的视频。

Answer 6

我会抓取R的副本，安装e1071软件包，它很好地包装libsvm，并尝试在您喜欢的数据集上获得良好的结果。

如果您刚刚发现了PCA，那么查看具有比病例更多预测因子的数据（例如，微阵列基因表达谱，时间序列，分析化学谱等）可能会提供信息，并比较PCA上的线性回归在原始预测因子上使用SVM进行预测。

在其他答案中有很多很好的参考，但我认为在阅读内部的内容之前，玩黑匣子是有价值的。