指向一些好的 SVM 教程 [关闭]答案

【问题标题】：Pointers to some good SVM Tutorial [closed]指向一些好的 SVM 教程 [关闭]
【发布时间】：2010-11-07 12:15:03
【问题描述】：

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。但是还是没把握。

我想知道，如果有的话

或者你能想到的东西，这将使我能够轻松地学习 SVM 基础知识。

PS：我不知何故设法学习了 PCA（主成分分析）。顺便说一句，你们会猜到我正在研究机器学习。

【问题讨论】：

关于关闭这个“问题”，我知道它没有遵循 StackOverflow 的“规则”，而是 S.O.需要认识到它已经变得如此伟大和无处不在，以至于社区将它用于许多目的。没有同等质量的论坛可以让 Alphaneo 进行调查。也许是Quora？但说真的，S.O.是我获得真正专业知识的“首选”，而不是 Quora。
任何 QA 社区都不能很好地服务机器学习，但我认为 stats.stackexhange.com 或 metaoptimize.com/qa 现在比 stackoverflow.com 更好用
@MikeWilliamson 交叉验证怎么样？它正好迎合了这类问题。

【解决方案1】：

这是一个非常好的SVM初学者教程：

我一直认为 StompChicken 推荐的教程有点令人困惑，因为他们直接谈论边界和 VC 统计数据并试图找到最佳机器等。不过，如果您已经了解了基础知识，那就太好了。

【讨论】：

【解决方案2】：

支持向量机教程的标准推荐是 A Tutorial on Support Vector Machines for Pattern Recognition，作者是 Christopher Burges。另一个了解 SVM 的好地方是斯坦福大学的 Machine Learning Course（第 6-8 课会介绍 SVM）。这两个都非常理论化，数学很重。

至于源代码； SVMLight、libsvm 和 TinySVM 都是开源的，但是代码不是很容易理解。我没有仔细研究过它们中的每一个，但 TinySVM 的源代码可能是最容易理解的。 this paper中还有SMO算法的伪代码实现。

【讨论】：

我只希望我能给你 2 票。一个非常好的教程，我已经在路上了......谢谢。
Christopher Burges 的文章链接已过时，但 StompChicken 提供了足够的详细信息，可以在搜索中找到它。这是一篇很棒的文章；既非常“详细和全面”，又非常容易理解。 Christopher Burges 做得非常出色。适合对 SVM 感兴趣的人阅读。
@MikeWilliamson 感谢您指出断开的链接。我已将其指向一个新的且希望更永久的 URL。

【解决方案3】：

我发现 Colin Campbell 的文章非常有用。

【讨论】：

【解决方案4】：

我会获取R 的副本，安装很好地包装libsvm 的e1071 包，并尝试在您最喜欢的数据集上获得良好的结果。

如果您刚刚计算出 PCA，那么查看具有比案例更多的预测因子的数据（例如，微阵列基因表达谱、时间序列、分析化学光谱等）并比较 PCA 上的线性回归可能会提供信息'd 在原始预测器上使用 SVM 预测器。

其他答案中有很多很好的参考资料，但我认为在你阅读里面的内容之前玩弄黑盒子是有价值的。

【讨论】：

【解决方案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，他在整个过程中握着你的手。使用Lecture notes 3 & video #7-8 作为参考。

如果您不了解基础知识，请观看较早的视频。

【讨论】：

【解决方案6】：

【讨论】：