MENTAL MODEL · M10066

支持向量机

Support Vector Machine

学习元认知高支撑学习科学

已收录

Version 1.0.0 · 更新于 2026-07-30

CORE DEFINITION · 核心定义

在高维空间中找到能最大化分类间隔的最优超平面。

SCAFFOLDING EFFECT · 脚手架效应

psychology

降低认知负荷

寻找最优边界。不只是能区分，而是找到最稳健的区分方式——这种思维可迁移到其他分类问题。

anchor

锚定快速决策

支持向量机的核心是在特征空间中寻找一个超平面，使两类样本到该平面的"间隔"（margin）最大化。那些最靠近超平面、决定间隔边界的样本点称为"支持向量"，模型仅由这些关键点决定，与远离边界的样本无关。通过核函数（kernel）可将低维线性不可分的数据映射到高维空间，从而在高维中找到线性可分的超平面。正则化参数在间隔最大化与分类错误之间权衡，防止过拟合。

MINIMUM ACTION · 最小行动

进行中 0/1

在一个真实场景中练习这个模型：

首先明确问题是二分类还是多分类，并准备好带标签的训练数据。第二步选择核函数（线性、多项式、RBF 等）并设置超参数（如惩罚系数 C、核参数 gamma）。第三步用训练集拟合模型，使间隔最大化。第四步在验证集上评估准确率、召回率等指标并调参。第五步将训练好的模型用于新样本的预测，关注支持向量的分布以判断泛化能力。

勾选记录你的进度（本机暂存）

掌握进度0%

account_tree知识谱系 Genealogyexpand_more

menu_book信源参考 Sourcesexpand_more

来源明确性: 明确

link
en.wikipedia.orghttps://en.wikipedia.org/wiki/Support_vector_machineZH · 明确
verified

RELATED MODELS · 相关模型