SVM是什么？
SVM叫做支持向量机( Support Vector Machines)是由Vanpik领导的ATTBell实验室研究小组
在1963年提出的一种新的非常有潜力的分类技术, SVM是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域.由于当时这些研究尚不十分完善,在解决模式识别问题中往往趋于保守,且数学上比较艰涩,因此这些研究一直没有得到充的重视.直到90年代,一个较完善的理论体系—统计学习理论 ( StatisticalLearningTheory,简称SLT) 的实现和由于神经网络等较新兴的机器学习方法的研究遇到一些重要的困难,比如如何确定网络结构的问题、过学习与欠学习问题、局部极小点问题等,使得SVM迅速发展和完善,在解决小样本 、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中.从此迅速的发展起来，现在已经在许多领域（生物信息学，文本和手写识别等）都取得了成功的应用。
SVM的关键在于核函数，这也是最喜人的地方。低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，我们就可以得到高维空间的分类函数。在SVM理论中，采用不同的核函数将导致不同的SVM算法
它是一种以统计学理论为基础的，以结构风险最小化的学习机学习方法，要优于神经网络学习
svm 是什么？
1.SVM是统计学概念上一个有监督的学习方法，用来进行分类和回归分析。
2.SVM原理
svm是一种有坚实理论的基础的、新颖的小样本学习方法。svm的理论基础式结构风险最小化原理和基础统计学习理论的VC维理论。
大数据场景下，非线性核函数的 svm 模型为什么很少用到
我觉得主要有两点原因：
1、我们要求样本特征维数要和数据集规模成正比，当样本数很多时，样本的特征数也应该很多，如果特征维数很高，往往线性可分（SVM解决非线性分类问题的思路就是将样本映射到更高维的特征空间中），可以直接采用LR或者线性核的SVM；
2、大数据场景下，往往意味着数据集规模庞大，样本很多，如果样本数量很多，由于求解最优化问题的时候，两两样本都需要计算内积，使用非线性核（其实主要就是高斯核）明显计算量会远大于线性核；
另外如果遇到样本数很多，而特征数很少时，应该手动添加一些特征。
怎么直接使用训练好的svm模型
首先你的上肢力量要够，不能冒然的去倒立，要是你的力量够了，就是要克服胆怯心理，因为我第一次倒立的时候，总是不敢上。
你倒立的时候，在床上放些软的东西，以防万一，还有就是最好有人陪在身边，你要到的时候他可以帮你一下。
你说你不能平衡，是不是两个手臂的力量不均衡呀？一个力量大，一个力量小，那样容易偏的。加强力量小的那个手臂的练习。
倒立最关键的3点：注意安全
上肢力量要够
不要害怕
svm方法缺点
1.核支持向量机是非常强大的模型，在各种数据集上的表现都很好。svm允许决策边界很复杂，即使数据只有几个特征。它在低维数据和高维数据（即很少特征和很多特征）上都表现都很好，但对样本个数的缩放表现不好。在有多达10000个样本的数据上运行svm可能表现良好，但如果数据量达到100000甚至更大，在运行时间和内存使用方面可能会面临挑战。
svm的另一个缺点是预处理数据和调参都需要非常小心，这也是为什么如今很多应用中用都都是基于树的模型，比如随机森林和梯度提升（需要很少的预处理，甚至不需要预处理）。此外，svm模型很难检查，可能很难理解为什么会这么预测，而且也难以将模型向非专家进行解释。
不过svm仍然是值得尝试的，特别是所有特征的测量单位相似（比如都是像素密度）而且范围也差不多时。
核svm的重要参数是正则化参数c、核的选择以及与核相关的参数。虽然我们讲的是RBF核，但scikit-learn中还有其他选择，RBF核只有一个参数gamma，它是高斯核宽带的倒数。gamma和c控制的都是模型复杂度，较大的值都对应更为复杂都模型。因此，这两个参数的设定通常是强烈相关的，应该同时调节。