5.3 基于支持向量机的分类器

支持向量机分类器时一种有监督学习的分类方法，属于一般化的线性分类器。

5.3.1 线性可分与线性不可分

由于分类的特征具有不确定性，因此可将分类模式分为线性可分以及线性不可分。支持向量机的超平面是用于分类的，是其特有的，有了核函数，就可以处理线性不可分的分类。

5.3.2 感知器

感知器是一种监督的学习方式，通过样本数据的训练形成感知模型，通过模型对测试样本进行分类预测。其实质是一种最简单形式的前馈神经网络、单层神经网络，只要样本数据是线性可分，则通过多次迭代，感知器算法一定会实现收敛。

5.4.3 支持向量机

支持向量机也称最大边缘区分类器。特点是可以将经验误差最小化和集合边缘区最大化。

支持向量机最大的难点本人认为在于超平面，核函数的使用，是分类器中最难的一种。