svm对excel数据进行分类(什么样的数据适合用svm分类)

1. 什么样的数据适合用svm分类

SVM（Support Vector Machine）是从瓦普尼克（Vapnik）的统计学习理论发展而来的，主要针对小样本数据进行学习、分类和预测（有时也叫回归）的一种方法，能解决神 经网络不能解决的过学习问题。作者以为，类似的根据样本进行学习的方法还有基于案例的推理（Case-Based Reasoning），决策树归纳算法C4.5等，以后将详细阐述这两种方法。

2. svm怎么多分类

SVM的一个关键点是核函数, 如果核函数是非线性函数, SVM给出一个非线性的分界边界, 或者, 可以理解为, SVM通过一个非线性变换, 将非线性分类问题变为变换后标架下的线性分类问题.

3. svm高维数据分类

人脸识别的方法很多，以下介绍一些主要的人脸识别方法。

(1)几何特征的人脸识别方法

几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系(如相互之间的距离)。这些算法识别速度快，需要的内存小，但识别率较低。

(2)基于特征脸(PCA)的人脸识别方法

特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。

(3)神经网络的人脸识别方法

神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。

(4)弹性图匹配的人脸识别方法

弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。

(5)线段Hausdorff 距离(LHD) 的人脸识别方法

心理学的研究表明，人类在识别轮廓图(比如漫画)的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。

(6)支持向量机(SVM) 的人脸识别方法

近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本(每类300个)，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。

人脸识别的方法很多，当前的一个研究方向是多方法的融合，以提高识别率。

4. svm能做多分类吗

K近邻算法的优点具体体现在四方面。

第一就就是k近邻算法是一种在线技术，新数据可以直接加入数据集而不必进行重新训练，

第二就是k近邻算法理论简单，容易实现。

第三就是准确性高，对异常值和噪声有较高的容忍度。

第四就是k近邻算法天生就支持多分类，区别与感知机、逻辑回归、SVM。

5. svm是否适合大规模的数据

电脑安全一直都是网民头疼的问题，现在的杀毒软件也是层出不穷，金山毒霸和360都是国内的杀毒软件，那么金山毒霸好还是360好呢。

金山毒霸好还是360好

1、360杀毒——用户多，病毒库更新快，功能相对少，查杀时电脑比较卡。

360杀毒身为第一个完全免费的杀毒软件，在国内聚集了大量的用户群体，可以更快的收集用户电脑感染的病毒情况，提供更迅速的病毒库更新，极大保证电脑的安全。

但是360杀毒提供的主要功能为杀毒，如果用户需要其他的功能，则需要安装对应的360产品。另外在用户进行全盘扫描时，电脑会非常明显的变得很卡。

2、金山毒霸——安装轻巧，运行快速，功能齐全，但是容易和电脑里的其他360产品起冲突。

金山毒霸的不论是在安装速度，运行速度或者是包含功能上，比360杀毒都更加优秀。但是用户需要面临最大的问题就是安装金山毒霸时，可能会跟电脑中的360产品起冲突，解决的办法只能考虑卸载其中一个。

金山毒霸功能特点

1、全平台

【电脑、手机双平台杀毒】

不仅可以查杀电脑病毒，还可以查杀手机中的病毒木马，保护手机，防止恶意扣费。

2、全引擎

【引擎全新升级，KVM、火眼系统，病毒无所遁形】

KVM是金山蓝芯III引擎核心的云启发引擎。应用（熵、SVM、人脸识别算法等）数学算法，超强自学习进化，无需频繁升级，直接全引擎，查杀未知新病毒。结合火眼行为分析，大幅提升流行病毒变种检出。查杀能力、响应速度遥遥领先于传统杀毒引擎。

3、铠甲防御3.0 全方位网购保护

【K＋（铠甲）四维20层立体保护】

全新架构，新一代云主防3.0，多维立体保护，智能侦测、拦截新型威胁。

全新“火眼”系统，文件行为分析专家。用户通过精准分析报告，可对病毒行为了如指掌，深入了解自己电脑安全状况。

4、全新手机管理

【找应用更靠谱，装游戏更方便 】

全新手机应用安全下载平台，确保应用纯净安全。率先整合游戏应用与数据，大型游戏一键安装。手机应用精品聚集，精彩不容错过。

5、不到10MB！全新交互体验

难以置信的轻巧快速，让电脑不再卡机。

不到10M软件大小，不到10秒安装速度，一切为了让你远离卡机、死机烦恼。

360杀毒软件特点

1、领先的多引擎技术

国际领先的常规反病毒引擎＋360云引擎＋QVM人工智能引擎＋系统修复引擎，重构优化，强力杀毒，全面保护您的电脑安全。

2、首创的人工智能启发式杀毒引擎

360杀毒5.0版本集成了360第二代QVM人工智能引擎。这是是360自主研发的一项重大技术创新，它采用人工智能算法，具备“自学习、自进化”能力，无需频繁升级特征库，就能检测到70％以上的新病毒。

3、优秀的病毒扫描及修复能力

360杀毒据有强大的病毒扫描能力，除普通病毒、网络病毒、电子邮件病毒、木马之外，对于间谍软件、Rootkit等恶意软件也有极为优秀的检测及修复能力。

4、全面的主动防御技术

360杀毒5.0包含360安全中心的主动防御技术，能有效防止恶意程序对系统关键位置的篡改、拦截钓鱼挂马网址、扫描用户下载的文件、防范ARP攻击。

5、全面的病毒特征码库

360杀毒具有超过600万的病毒特征码库，病毒识别能力强大。

6、集大成的全能扫描

集成上网加速、磁盘空间不足、建议禁止启动项、黑DNS等扩展扫描功能，迅速发现问题，便捷修复。

7、优化的系统资源占用

精心优化的技术架构，对系统资源占用很少，不会影响系统的速度和性能。

8、应急修复功能

在遇到系统崩溃时，可以通过360系统急救盘以及系统急救箱进行系统应急引导与修复，帮助系统恢复正常运转。

9、全面防御U盘病毒

彻底剿灭各种借助U盘传播的病毒，第一时间阻止病毒从U盘运行，切断病毒传播链。

10、独有可信程序数据库，防止误杀

依托360安全中心的可信程序数据库，实时校验，360杀毒的误杀率极低。

11、精准修复各类系统问题

电脑救援为您精准修复各类电脑问题。

12、极速云鉴定技术

360安全中心已建成全球最大的云安全网络，服务近4亿用户，更依托深厚的搜索引擎技术积累，以精湛的海量数据处理技术及大规模并发处理技术，实现用户文件云鉴定1秒级响应。采用独有的文件指纹提取技术，甚至无需用户上传文件，就可在不到1秒的时间获知文件的安全属性，实时查杀最新病毒。

6. 什么样的数据适合用svm分类表

在机器学习中，支持向量机（英语：support vector machine，常简称为SVM，又名支持向量网络）是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。

给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元（英语：binary classifier）线性分类器。

SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。

除了进行线性分类之外，SVM还可以使用所谓的核技巧（英语：kernel trick）有效地进行非线性分类，将其输入隐式映射到高维特征空间中。

当数据未被标记时，不能进行监督式学习，需要用非监督式学习，它会尝试找出数据到簇的自然聚类，并将新数据映射到这些已形成的簇。将支持向量机改进的聚类算法被称为支持向量聚类，当数据未被标记或者仅一些数据被标记时，支持向量聚类经常在工业应用中用作分类步骤的预处理。

7. svm分类器优点

SVM是由模式识别中广义肖像算法（generalized portrait algorithm）发展而来的分类器，其早期工作来自前苏联学者Vladimir N. Vapnik和Alexander Y. Lerner在1963年发表的研究 。1964年，Vapnik和Alexey Y. Chervonenkis对广义肖像算法进行了进一步讨论并建立了硬边距的线性SVM 。此后在二十世纪70-80年代，随着模式识别中最大边距决策边界的理论研究、基于松弛变量（slack variable）的规划问题求解技术的出现，和VC维（Vapnik-Chervonenkis dimension, VC dimension）的提出[12] ，SVM被逐步理论化并成为统计学习理论的一部分 。1992年，Bernhard E. Boser、Isabelle M. Guyon和Vapnik通过核方法得到了非线性SVM 。1995年，Corinna Cortes和Vapnik提出了软边距的非线性SVM并将其应用于手写字符识别问题，这份研究在发表后得到了关注和引用，为SVM在各领域的应用提供了参考。

8. svm是分类算法吗

是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

9. 什么样的数据适合用svm分类编辑

1.模糊支持向量机，引入样本对类别的隶属度函数，这样每个样本对于类别的影响是不同的，这种理论的应用提高了SVM的抗噪声的能力，尤其适合在未能完全揭示输入样本特性的情况下。

　　2．最小二乘支持向量机。这种方法是在1999年提出，经过这几年的发展，已经应用要很多相关的领域。研究的问题已经推广到：对于大规模数据集的处理；处理数据的鲁棒性；参数调节和选择问题；训练和仿真。

　　3．加权支持向量机（有偏样本的加权，有偏风险加权）。

　　4．主动学习的支持向量机。主动学习在学习过程中可以根据学习进程，选择最有利于分类器性能的样本来进一步训练分类器，特能有效地减少评价样本的数量。也就是通过某种标准对样本对分类的有效性进行排序，然后选择有效样本来训练支持向量机。

　　5．粗糙集与支持向量机的结合。首先利用粗糙集理论对数据的属性进行约简，能在某种程度上减少支持向量机求解计算量。

　　6．基于决策树的支持向量机。对于多类问题，采用二岔树将要分类的样本集构造出一系列的两类问题，每个两类构造一个SVM。

　　7．分级聚类的支持向量机。基于分级聚类和决策树思想构建多类svm，使用分级聚类的方法，可以先把n-1个距离较近的类别结合起来，暂时看作一类，把剩下的一类作为单独的一类，用svm分类，分类后的下一步不再考虑这单独的一类，而只研究所合并的n-1类，再依次下去。

　　8．算法上的提高。

　　lVapnik在95年提出了一种称为”chunking”的块算法，即如果删除矩阵中对应Lagrange乘数为0的行和列，将不会影响最终结果。

　　lOsuna提出了一种分解算法，应用于人脸识别领域。

　　lJoachims在1998年将Osuna提出的分解策略推广到解决大型SVM学习的算法

　　lPlatt于1998年提出了序贯最小优化（SequentialMinimalOptimization）每次的工作集中只有2个样本。

　　9．核函数的构造和参数的选择理论研究。基于各个不同的应用领域，可以构造不同的核函数，能够或多或少的引入领域知识。现在核函数广泛应用的类型有：多项式逼近、贝叶斯分类器、径向基函数、多层感知器。参数的选择现在利用交叉验证的方法来确认。

　　10．支持向量机从两类问题向多类问题的推广：

　　nWeston在1998年提出的多类算法为代表。在经典svm理论的基础上，直接在目标函数上进行改进，重新构造多值分类模型，建立k分类支持向量机。通过sv方法对新模型的目标函数进行优化，实现多值分类。这类算法选择的目标函数十分复杂，变量数目过多，计算复杂度也非常高，实现困难，所以只在小型问题的求解中才能使用。Weston,Multi-classsupportvectormachines

　　n一对多（one-against-rest）-----Vapnik提出的,k类---k个分类器，第m个分类器将第m类与其余的类分开，也就是说将第m类重新标号为1，其他类标号为-1。完成这个过程需要计算k个二次规划，根据标号将每个样本分开，最后输出的是两类分类器输出为最大的那一类。不足：容易产生属于多类别的点（多个1）和没有被分类的点（标号均为-1）--不对，训练样本数据大，训练困难，推广误差无界.

　　n一对一（one-against-one）---Kressel对于任意两个分类，构造一个分类器，仅识别这两个分类，完成这个过程需要k(k-1)/2个分类器，计算量是非常庞大的。对于每一个样本，根据每一个分类器的分类结果，看属于哪个类别的次数多，最终就属于哪一类(组合这些两类分类器并使用投票法，得票最多的类为样本点所属的类)。不足：如果单个两类分类器不规范化，则整个N类分类器将趋向于过学习；推广误差无界；分类器的数目K随类数急剧增加，导致在决策时速度很慢。

　　n层（数分类方法），是对一对一方法的改进，将k个分类合并为两个大类，每个大类里面再分成两个子类，如此下去，直到最基本的k个分类，这样形成不同的层次，每个层次都用svm来进行分类------1对r-1法，构建k-1个分类器，不存在拒绝分类区。

　　应用上：人脸检测，汽轮发电机组的故障诊断，分类，回归，聚类，时间序列预测，系统辨识，金融工程，生物医药信号处理，数据挖掘，生物信息，文本挖掘，自适应信号处理，剪接位点识别，基于支持向量机的数据库学习算法，手写体相似字识别，支持向量机函数拟合在分形插值中的应用，基于支持向量机的惯导初始对准系统，岩爆预测的支持向量机，缺陷识别，计算机键盘用户身份验证，视频字幕自动定位于提取，说话人的确认，等等。

　　主要研究热点

　　从上面的发展中，我们可以总结出，目前支持向量机有着几方面的研究热点：核函数的构造和参数的选择；支持向量机从两类问题向多类问题的推广；更多的应用领域的推广；与目前其它机器学习方法的融合；与数据预处理（样本的重要度，属性的重要度，特征选择等）方面方法的结合，将数据中脱离领域知识的信息，即数据本身的性质融入支持向量机的算法中从而产生新的算法；支持向量机训练算法的探索。