开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

为什么支持向量机需要几个MB？

支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，用于分类和回归问题。SVM的模型训练过程中需要存储支持向量，这些支持向量是训练数据中的关键样本点，用于构建决策边界。支持向量的数量和维度决定了SVM模型的复杂度和存储空间的需求。

为什么支持向量机需要几个MB的存储空间，可以从以下几个方面解释：

支持向量的数量：SVM模型的性能和泛化能力与支持向量的数量密切相关。支持向量是训练数据中最重要的样本点，它们决定了决策边界的位置和形状。如果训练数据集中的样本点较多，那么支持向量的数量也会相应增加，从而增加了存储空间的需求。
数据维度：支持向量的维度是指训练数据的特征数量。如果数据的特征较多，那么每个支持向量的维度也会相应增加，从而增加了存储空间的需求。例如，如果每个支持向量有100个特征，那么每个支持向量需要存储100个浮点数，如果有1000个支持向量，那么总共需要存储1000 * 100 = 100000个浮点数，占据的存储空间就会比较大。
模型参数：除了支持向量外，SVM模型还包括其他参数，如决策边界的法向量、偏置项等。这些参数也需要存储，虽然它们的存储空间通常比支持向量小得多，但仍然会对总体的存储需求有所贡献。

总结起来，支持向量机需要几个MB的存储空间主要是由于支持向量的数量和维度较大，以及其他模型参数的存在。这些存储空间的需求是为了保证模型的性能和泛化能力，以便在实际应用中能够准确地进行分类和回归任务。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
腾讯云人工智能开发平台（https://cloud.tencent.com/product/ai）
腾讯云云服务器（https://cloud.tencent.com/product/cvm）
腾讯云云数据库（https://cloud.tencent.com/product/cdb）
腾讯云云存储（https://cloud.tencent.com/product/cos）
腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
腾讯云物联网平台（https://cloud.tencent.com/product/iotexplorer）
腾讯云移动开发平台（https://cloud.tencent.com/product/mpp）
腾讯云音视频处理（https://cloud.tencent.com/product/mps）
腾讯云网络安全（https://cloud.tencent.com/product/ddos）
腾讯云云原生应用引擎（https://cloud.tencent.com/product/tke）
腾讯云元宇宙（https://cloud.tencent.com/product/ue）

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

简单易学的机器学习算法——支持向量机(开篇：基本概念)

一、引言支持向量机(Support Vector Machines, SVM)被公认为比较优秀的分类模型，有很多人对SVM的基本原理做了阐述，我在学习的过程中也借鉴了他们的研究成果，在我的博客中只是想介绍基本的原理，用通俗易懂的方式把原理解释清楚，并期望通过MATLAB的代码实现这些基本的原理。由于SVM对数学理论的要求很高，并且SVM的形式也有多种，有不同的实现方式，在这个系列中我们重点关注以下几个方面：支持向量机的一些基本概念线性可分支持向量机的原理线性支持向量机的原理非线性支持向量机

04

简单易学的机器学习算法——支持向量机(开篇：基本概念)

支持向量机(Support Vector Machines, SVM)被公认为比较优秀的分类模型，有很多人对SVM的基本原理做了阐述，我在学习的过程中也借鉴了他们的研究成果，在我的博客中只是想介绍基本的原理，用通俗易懂的方式把原理解释清楚，并期望通过MATLAB的代码实现这些基本的原理。由于SVM对数学理论的要求很高，并且SVM的形式也有多种，有不同的实现方式，在这个系列中我们重点关注以下几个方面：

03

机器学习算法（三）之支持向量机算法理论

支持向量机算法是机器学习中最具有代表性的算法，属于监督学习的范畴，用来解决分类问题，最为常见的解决二分类问题。支持向量机用来解决线性分类与非线性分类问题。对于支持向量机中有很多复杂的算法理论问题，也就是数学知识，例如凸优化，最优化问题，以及拉格朗日等，如果想要完整的弄明白需要进行完整的数学推导，相对复杂。支持向量机的理论与分类核心思想还是很好理解的，如下图所示;

02

天秀之支持向量机(SVM)

支持向量机(Support Vector Machine,SVM)，在深度学习广泛应用之前，是最受欢迎的监督学习算法。其以强鲁棒性和非线性问题求解的能力倍受推崇。但是由于其发展较快，经过多次进化和改进，现阶段最成型的模型，尤其是一些规定的形式，使很多初学者很难理解它的思想。本篇有范君结合自身理解，尽力洞悉模型背后的创建过程，使学习平滑化。

03

基于支持向量机的手写数字识别详解（MATLAB GUI代码，提供手写板）

摘要：本文详细介绍如何利用MATLAB实现手写数字的识别，其中特征提取过程采用方向梯度直方图（HOG）特征，分类过程采用性能优异的支持向量机（SVM）算法，训练测试数据集为学术及工程上常用的MNIST手写数字数据集，博主为SVM设置了合适的核函数，最终的测试准确率达99%的较高水平。根据训练得到的模型，利用MATLAB GUI工具设计了可以手写输入或读取图片进行识别的系统界面，同时可视化图片处理过程及识别结果。本套代码集成了众多机器学习的基础技术，适用性极强（用户可修改图片文件夹实现自定义数据集训练），相信会是一个非常好的学习Demo。本博文目录如下：

05

机器学习三人行(系列七)----支持向量机实践指南(附代码)

其实逻辑回归算法和今天要讲的支持向量机有些类似，他们都是从感知机发展而来，支持向量机是一个非常强大而且应用面很广的机器学习算法，能够胜任线性分类器，非线性分类器，线性回归问题，非线性回归问题中，甚至是离群值检测中，是应用最广泛的机器学习算法之一，本文剖析支持向量机在实践中的应用。一、线性支持向量机我们以一些图来解释支持向量机的基本原理，下图是对鸢尾花数据集分类，可以发现两种花能够很轻松的通过直线划分出来，因为该数据集是线性可分的，左图是三种可能的分类方式，虚线基本没有办法将两种类别划分，另外

机器学习三人行-支持向量机实践指南

关注公众号“智能算法”即可一起学习整个系列的文章。文末查看本文代码关键字，公众号回复关键字下载代码。其实逻辑回归算法和今天要讲的支持向量机有些类似，他们都是从感知机发展而来，支持向量机是一个非常强大而且应用面很广的机器学习算法，能够胜任线性分类器，非线性分类器，线性回归问题，非线性回归问题中，甚至是离群值检测中，是应用最广泛的机器学习算法之一，本文剖析支持向量机在实践中的应用。一、线性支持向量机我们以一些图来解释支持向量机的基本原理，下图是对鸢尾花数据集分类，可以发现两种花能够很轻松的通过直线划分出

09

支持向量机详解

总第81篇 (本文框架) 01|概念及原理：支持向量机是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。说的通俗一点就是就是在特征空间里面用某条线或某块面将训练数据集分成两类，而依据的原则就是间隔最大化，这里的间隔最大化是指特征空间里面距离分离线或面最近的点到这条线或面的间隔(距离)最大。看下面的图来感受一下，SVM的目的就是要找打能把红色点和蓝色点准确分开的线或面。上图来源于链接：https://www.zhihu.com/question/210944

04

最小二乘支持向量回归机(LS-SVR)

前面连续的七篇文章已经详细的介绍了支持向量机在二分类中的公式推导，以及如何求解对偶问题和二次规划这个问题，分类的应用有很多，如电子邮箱将邮件进行垃圾邮件与正常邮件的分类，将大量的图片按图中的内容分类，等等。但是，显示中海油大量问题是不能仅依靠分类就能完成的，例如，股票价格的预测等世纪问题需要采用回归来解决。今天，将给出支持向量机在回归方面的应用，最小二乘支持向量机 Least square support vector regression, LS-SVR. 作为标准SVM 的改进，最小二乘支持向量机（

吴恩达笔记7_支持向量机

总代价函数通常是对所有的训练样本进行求和，并且每个样本都会为总代价函数增加上式的最后一项（还有个系数\frac{1}{m}，系数忽略掉）

02

支持向量机（SVM）--(4)

回忆：在上一篇文章中我们谈到为了使支持向量机能够处理非线性问题，进而引进核函数，将输入空间的输入数据集通过一个满足Mercer核条件的核函数映射到更高维或者无线维的希尔伯特再生核空间，将线性不可分转化

06

吴恩达《Machine Learning》精炼笔记 7：支持向量机 SVM

总代价函数通常是对所有的训练样本进行求和，并且每个样本都会为总代价函数增加上式的最后一项（还有个系数1/m，系数忽略掉）

02

按部就班的吴恩达机器学习网课用于讨论（11）

知道了核函数的表示形式（使用例如高斯核函数作为工具，计算样本x和地标l之间的距离作为特征f，其中f为核函数），之后就是讨论核函数地标的选择。

04

[机器学习算法]支持向量机

在样本空间中找到一个划分超平面，将不同类别的样本区分开。但是事实上，能将训练样本划分开的超平面可能有很多，如下图所示，我们的任务就是寻找到最优的划分超平面。

02

支持向量机SVM模型

支持向量机的出发点是解决线性可分和近似线性可分的问题。在这个模型中，有一个很重要的隐含假设：每个数据的权重并不相同。除去少数几个支持向量（靠近分离超平面的数据），其他数据的权重其实等于0。也就是说，支持向量机在训练时并不会考虑所有数据，而只关心很难被“直线”分开的“异常点”。

03

第十三章支持向量机

到目前为止,你已经见过一系列不同的学习算法。在监督学习中，许多学习算法的性能都非常类似，因此，重要的不是你该选择使用学习算法A还是学习算法B，而更重要的是，应用这些算法时，所使用的数据量。这就体现你使用这些算法时的技巧了，比如：你为学习算法所设计的特征量的选择，以及如何选择正则化参数，诸如此类的事。

02

机器学习之鸢尾花-支持向量机

“支持向量机”（SVM）是一种有监督的机器学习算法，可用于分类任务或回归任务。但是，它主要适用于分类问题。在这个算法中，我们将每个数据项绘制为n维空间中的一个点（其中n是你拥有的是特征的数量），每个特征的值是特定坐标的值。然后，我们通过找到很好地区分这两个类的超平面来执行分类的任务。

03

支持向量机

版权声明：本文为博主-姜兴琪原创文章，未经博主允许不得转载。 https://blog.csdn.net/jxq0816/article/details/82829444

01

数据挖掘知识点串烧：SVM

关于作者：DD-Kylin，一名喜欢编程与机器学习的统计学学生，勤学好问，乐于钻研，期待跟大家多多探讨机器学习的相关内容~

04

支持向量机学习笔记：数学过程及经典Tutorial

http://blog.csdn.net/linj_m/article/details/18322149 ( SVM系列 )

01

数据挖掘知识点串烧：SVM

关于作者：DD-Kylin，一名喜欢编程与机器学习的统计学学生，勤学好问，乐于钻研，期待跟大家多多探讨机器学习的相关内容~

04

突破 SVM 核心精髓点！！

首先，支持向量机（Support Vector Machine, SVM）是一种监督学习模型，常用于分类和回归分析。

01

SVM | 支持向量机原理讲解（二）

在支持向量机一中，我们介绍了当数据集是线性可分的时候，我们可以使用线性可分的支持向量机将数据进行分类（由于隔了很长时间才更新，因此忘记了支持向量机一的读者可以回看支持向量机一讲解）。但是，在现实生活中，还存在着很多数据是线性不可分的，或者说本来是线性可分的数据因为存在一些异常点，使得不能线性划分。

02

【Matlab量化投资】支持向量机择时策略

推出【Matlab量化投资系列】机器学习所谓机器学习，其实就是根据样本数据寻找规律，然后再利用这些规律来预测未来的数据（结果）。但是，直到今天，机器学习也没有一种被大家广泛认同的理论框架产生，这个也是机器学习被大家诟病的原因之一：它是没有理论基础的。目前机器学习的方法大概可以分为以下几种： 1、经典的参数统计估计方法：基于传统统计学，需要已知的样本分布形式，局限性比较大。 2、经验非线性方法：利用已知样本建立非线性模型（如人工神经网络），克服了传统参数估计方法的困难，但缺乏统一的数学理论。

06

【毕设进行时-工业大数据，数据挖掘】第一天收获

【个人看法】支持向量机的核心与决策树类似。但是还是有不同之处，现在多学习下支持向量机，后面用自己的算法也行。或者给出多个版本的话，可以作为几个方案去解释！

02

支持向量机

支持向量机（Support Vector Machine，SVM）是一个非常优雅的算法，具有非常完善的数学理论，常用于数据分类，也可以用于数据的回归预测中。支持向量机在许多领域都有广泛的应用，如文本分类、图像识别、生物信息学、金融预测等。

01

学习SVM（二）如何理解支持向量机的最大分类间隔

学习SVM（一） SVM模型训练与分类的OpenCV实现学习SVM（二）如何理解支持向量机的最大分类间隔学习SVM（三）理解SVM中的对偶问题学习SVM（四）理解SVM中的支持向量（Support Vector）学习SVM（五）理解线性SVM的松弛因子 SVM算法在在1995年正式发表，在针对中小型数据规模的分类任务上有着卓越的效果，同时有着完整的理论证明，在20世纪末的几年和21世纪初的10年完胜神经网络，吴恩达在其2003年的《Machien learning》公开课上用两

09

机器学习十大经典算法之支持向量机

在分类问题中，除了线性的逻辑回归模型和非线性的深度神经网络外，我们还可以应用一种被广泛应用于工业界和学术界的模型——支持向量机（SVM），与逻辑回归和神经网络相比，支持向量机在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。支持向量机相对于神经网络和逻辑回归，特别擅长于特征维数多于样本数的情况，而小样本学习至今仍是深度学习的一大难题。

03

简单易学的机器学习算法——线性支持向量机

线性支持向量机是针对线性不可分的数据集的，这样的数据集可以通过近似可分的方法实现分类。对于这样的数据集，类似线性可分支持向量机，通过求解对应的凸二次规划问题，也同样求得分离超平面

02

Python基础算法解析：支持向量机（SVM）

支持向量机（Support Vector Machine，SVM）是一种用于分类和回归分析的机器学习算法，它通过在特征空间中找到一个最优的超平面来进行分类。本文将详细介绍支持向量机的原理、实现步骤以及如何使用Python进行编程实践。

01

【机器学习】第三部分叁：支持向量机（SVM）

支持向量机（Support Vector Machines）是一种二分类模型，在机器学习、计算机视觉、数据挖掘中广泛应用，主要用于解决数据分类问题，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化（即数据集的边缘点到分界线的距离d最大，如下图），最终转化为一个凸二次规划问题来求解。通常SVM用于二元分类问题，对于多元分类可将其分解为多个二元分类问题，再进行分类。所谓“支持向量”，就是下图中虚线穿过的边缘点。支持向量机就对应着能将数据正确划分并且间隔最大的直线（下图中红色直线）。

01

支持向量机算法

摘要本文主要讲机器学习中一个非常重要的二类分类模型：支持向量机（Support Vector Machines）。文中主要讲解了SVM的三种模型：线性可分支持向量机、线性支持向量机、非线性支持向量机，重点讲解该模型的原理，及分类决策函数的计算推导过程。引例小视频基本方向首先，SVM不能通过“支持向量机”字面意思来理解。其次，SVM是机器学习中很经典的一个二类分类模型。分类的最终目的是找到样本之间的一条分界线，然后用新样本点和分界线的关系，来判断类别。这是我们的基本思想。在前面，我们已经学习了

05

从零推导支持向量机 (SVM)

AI 科技评论按，本文作者张皓，目前为南京大学计算机系机器学习与数据挖掘所（LAMDA）硕士生，研究方向为计算机视觉和机器学习，特别是视觉识别和深度学习。

03

这5个miRNA组成的肺鳞癌诊断基因集在tcga数据库能复现吗

该研究使用的是 CapitalBio 平台 (CapitalBio 公司) 芯片，非常清晰的研究思路；

02

支持向量机的原理

支持向量机(support vector machine，简称SVM)是一种基于统计学习理论的新型学习机，是由前苏联教授Vapnik最早提出的。与传统的学习方法不同，支持向量机是结构风险最小化方法的近似实现。这个归纳原理是基于这样的事实，学习机器在测试数据上的误差率(即泛化误差率)以训练误差率和一个依赖于Vc维数(Vapnik-Chervonenkis dimension)的项的和为界；在可分模式情况下，支持向量机对于前一项的值为零，并且使第二项最小化。因此，尽管支持向量机不利用问题的领域知识，在模式分类问题上，仍能提供好的泛化性能，这个属性是支持向量机特有的。其实现的是如下的思想：通过某种事先选择的非线性映射将输入向量x映射到一个高维特征空间z，在这个空间中构造最优分类超平面，从而使正例和反例样本之间的分离界限达到最大。从概念上说，支持向量是那些离决策平面最近的数据点，它们决定了最优分类超平面的位置。

02

使用Python实现支持向量机算法

支持向量机（Support Vector Machine，简称SVM）是一种强大的机器学习算法，用于分类和回归任务。在本文中，我们将使用Python来实现一个基本的支持向量机分类器，并介绍其原理和实现过程。

01

机器学习实战 - 读书笔记(06) – SVM支持向量机

机器学习实战 - 读书笔记(06) – SVM支持向量机前言最近在看Peter Harrington写的“机器学习实战”，这是我的学习笔记，这次是第6章：SVM 支持向量机。支持向量机不是很好被理解，主要是因为里面涉及到了许多数学知识，需要慢慢地理解。我也是通过看别人的博客理解SVM的。推荐大家看看on2way的SVM系列：解密SVM系列（一）：关于拉格朗日乘子法和KKT条件解密SVM系列（二）：SVM的理论基础解密SVM系列（三）：SMO算法原理与实战求解解密SVM系列（四）：SVM非

06

机器学习-04-分类算法-04-支持向量机SVM

本系列是机器学习课程的系列课程，主要介绍机器学习中分类算法，本篇为分类算法与SVM算法部分。

01

《机器学习》笔记-支持向量机（6）

作者：刘才权编辑：田　旭写在最前面如今机器学习和深度学习如此火热，相信很多像我一样的普通程序猿或者还在大学校园中的同学，一定也想参与其中。不管是出于好奇，还是自身充电，跟上潮流，我觉得都值得试一试。对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》），现在计划重新阅读《机器学习》[周志华]和《深度学习》[Goodfellow et al]这两本书，并在阅读的过程中进行记录和总结。这两本是机器学习和深度学习的入门经典。笔记中除了会对书中核心及重点内容进行记录，同时，也会增加自己的

07

支持向量机SVM算法的学习记录

本文是对于机器学习中SVM算法的一次学习记录，主要介绍SVM的原理和简单应用。通过自己实际操作去理解SVM。

01

支持向量机

，分类学习最基本的想法就是基于训练集D在样本空间中找到一个划分超平面可能有很多。直观上看，应该去找位于两类训练样本“正中间”的划分超平面，因为该划分超平面对训练样本局部扰动的“容忍性”最好。例如由于训练集的局限性或噪声的因素，训练集外的样本可能比训练样本更接近两个类的分隔界，这将使许多划分朝平面出现错误，而红色的超平面受影响最小。换言之，这个划分超平面所产生的分类结果是最鲁棒的，对未见示例的泛化能力最强。

01

机器学习（八）--------支持向量机 (Support Vector Machines)

与逻辑回归和神经网络相比，支持向量机或者简称 SVM，更为强大。人们有时将支持向量机看作是大间距分类器。

02

机器学习系列17：支持向量机

支持向量机（Support vector machine）是一种强大的机器学习算法，和神经网络相比，它在学习复杂的非线性方程时，能够提供更清晰和更加强大的方式。为了学习支持向量机，我们可以先从逻辑回归开始，看看如何经过小小的改动能得到支持向量机。

02

深度学习500问——Chapter02：机器学习基础（4）

决策树（Decision Tree）是一种分为治之的决策过程。一个困难的预测问题，通过树的分支节点，被划分成两个或多个较为简单的子集，从结构上划分为不同的子问题。将依规则分割数据集的过程不断递归下去（Recursive Partitioning）。随着树的深度不断增加，分支节点的子集越来越小，所需要提的问题数也逐渐简化。当分支节点的深度或者问题的简单程度满足一定的停止规则（Stopping Rule）时，该分支节点会停止分裂，此为自上而下的停止阈值（Cutoff Threshold）法；有些决策树也使用自上而下的剪枝（Pruning）法。

01

A Discriminatively Trained, Multiscale, Deformable Part Model

本文提出了一种训练有素、多尺度、可变形的目标检测零件模型。在2006年PASCAL人员检测挑战赛中，我们的系统在平均精度上比最佳性能提高了两倍。在2007年的挑战赛中，它在20个类别中的10个项目中都取得了优异的成绩。该系统严重依赖于可变形部件。虽然可变形部件模型已经变得相当流行，但它们的价值还没有在PASCAL挑战等困难的基准测试中得到证明。我们的系统还严重依赖于新方法的甄别培训。我们将边缘敏感的数据挖掘方法与一种形式主义相结合，我们称之为潜在支持向量机。隐式支持向量机与隐式CRF一样，存在非凸训练问题。然而，潜在SVM是半凸的，一旦为正例指定了潜在信息，训练问题就变成了凸的。我们相信，我们的训练方法最终将使更多的潜在信息的有效利用成为可能，如层次(语法)模型和涉及潜在三维姿态的模型。

04

数据分析入门系列教程-SVM原理

SVM 的英文全称是 Support Vector Machines，我们叫它支持向量机，支持向量机是用于分类的一种算法，当然也有人用它来做回归。

03

支持向量机原理讲解（一）

磐创AI 专注分享原创AI技术文章作者 | Ray 编辑 | 磐石出品 | 磐创AI技术团队【磐创AI导读】：本文详细剖析了SVM的原理与公式推导。欢迎大家点击上方蓝字关注我们的公众号：磐创AI。介绍支持向量机(Support Vector Machine,以下简称SVM)，作为传统机器学习的一个非常重要的分类算法，它是一种通用的前馈网络类型，最早是由Vladimir N.Vapnik 和 Alexey Ya.Chervonenkis在1963年提出，目前的版本（soft margin）是Cor

05

python实现支持向量机之非线性支持向量机和核函数（理论五）

比如说图7-7，左图中的数据是线性不可分的，利用非线性变换将其转换为右图中的数据分布，再利用线性支持向量机就可以解决了。

02

译：支持向量机（SVM）及其参数调整的简单教程（Python和R）

一、介绍数据分类是机器学习中非常重要的任务。支持向量机（SVM）广泛应用于模式分类和非线性回归领域。 SVM算法的原始形式由Vladimir N.Vapnik和Alexey Ya提出。自从那以后，SVM已经被巨大地改变以成功地用于许多现实世界问题，例如文本（和超文本）分类，图像分类，生物信息学（蛋白质分类，癌症分类），手写字符识别等。二、目录什么是支持向量机？ SVM是如何工作的？推导SVM方程 SVM的优缺点用Python和R实现 1.什么是支持向量机（SVM）？支持向量机是一种有监督的

08

彻底搞懂机器学习SVM模型！

自从大半年前接触到SVM以来，感觉一直没怎么把SVM整明白。直到最近上的《模式识别》课程才仿佛打通了我的任督二脉，使我终于搞清楚了SVM的来龙去脉，所以写个博客作个总结。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭