完整定義
支持向量機(SVM)是一種監督式學習演算法,用於分類和迴歸分析。它通過尋找一個最佳超平面,將不同類別的資料點分隔開,並最大化超平面與最近資料點之間的距離(邊界)。SVM 在高維空間中表現良好,並且具有較強的泛化能力。SVM 可以使用不同的核函數來處理非線性資料。
白話說明
你有沒有想過,模型到底是怎麼學會、怎麼驗收、怎麼慢慢變準的?
你可以把它想成先看答案,再用誤差修正模型。
支持向量機 的重點是 支持向量機是一種機器學習模型,透過尋找最大邊界的超平面,將不同類別的資料有效分隔
它重要,是因為學習速度、穩定度和泛化能力,會決定模型最後能不能上線。
記住這句
有答案、會更新、看泛化。
比喻:支持向量機就像在操場上劃分兩隊的裁判 -- 它會找到一條最寬的「線」(或高維空間的「面」),把兩隊的人分開,而且這條線離兩邊的隊員都盡可能遠,這樣分界最清楚。
容易混淆
支持向量機 vs 機器學習
支持向量機:偏向 讓模型學習、更新與驗收
機器學習:偏向 更大的領域
最關鍵的區別:支持向量機看的是「讓模型學習、更新與驗收」,機器學習看的是「更大的領域」。
支持向量機 vs 監督式學習
支持向量機:偏向 讓模型學習、更新與驗收
監督式學習:偏向 相關概念
最關鍵的區別:支持向量機看的是「讓模型學習、更新與驗收」,監督式學習看的是「相關概念」。
實際案例
案例:用標答案資料訓練垃圾郵件分類器
訓練時看標籤,部署時只看新郵件內容
案例:先保留一批沒看過的資料來驗收模型
這樣才能知道它是真的會做,還是只會背題
演算法與應用
先看資料,再更新參數,最後看驗證或測試表現
學習率、批次大小和損失函數,常一起決定收斂速度
重點不是背熟訓練集,而是遇到新資料也能做對
情境判斷
Q1(直覺題): 資料很多又想先跑起來,這類方法適不適合?
適合,尤其是你已經有標答案資料,想先做一版可用模型時。
Q2(判斷題): 資料很少但每一步都要很穩,這類方法一定是最佳解嗎?
看情況,資料少時通常還要配合正則化、驗證策略或其他方法,不能只靠同一招。
常見問題
當你有標答案資料,而且想要穩定做預測、分類或評估時,最值得用。
如果資料太少、標籤品質很差,或任務本身不適合這種學習方式,先換策略通常更有效。
好方法追求泛化,不是把訓練資料背熟;一旦新資料出現,還能不能做對才是重點。
出現在這些考古題
官方公告試題的逐題解析裡,這 2 題把支持向量機列為延伸術語。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本