正好做完了NN和SVM两个分类器，小小总结一下。

1、相关知识

什么是模式分类(模式识别)？举个简单的例子：工厂对打上来的鱼进行分类，不同种类的鱼处理方式不同。可是鱼的数量过大，人工分类不现实，怎么让计算机帮我们分类？你可能需要机器测量鱼的重量、尺寸、颜色等信息，然后将这些参数输入计算机，计算机会通过这些特征，判断鱼的种类。

关键在于，怎么通过特征得到鱼的分类？开始，计算机一无所知，我们需要给它一定的样本数据，告诉它这些样本分别属于什么类别，计算机通过学习掌握每种鱼的特征，最后应用到实际中去。这种分类应用面很广，比如书写识别、语音识别、邮政编码识别等等。

我们怎么找到一种计算机学习的方法，使得分类错误率尽量的小。

2、NN--神经网络模型
神经网络源于人们希望模拟人脑构造的设想。将一个神经元抽象为一种多输入，加权求和后输出的模型。只有当加权求和的值到达某个限度，神经元才会“兴奋”。反复的“兴奋”可以增强输入的权重，从而达到学习的目的。

单层神经模型实际很早就提出了，不过自从牛人证明其只能线性分类时，人们就失望的把它扔到垃圾堆。直到80年代，多层感知机的研究兴起，有人证明只要神经元足够多，多层感知机可以逼近任意连续函数。这个结论实际是激动人心的，而反向传播算法(BP)又成功解决了具体算法问题。神经网络的研究，再次走向高潮。

个人感觉，虽然每个神经元的构造十分简单，但是BP算法的仍旧实现复杂，庞大的网络使得学习速度缓慢。难道人脑也是通过BP算法构造的么？似乎，神经网络已渐渐背离发明时的初衷。

3、SVM--支持向量机

如果说神经网络来源于“仿生”灵感，那么SVM则有着纯数学血统，它的兴起只是近几年的事。

为什么分类困难？因为特征的提取是复杂的。相当多时候，并不是“长度小于10的鱼是热带鱼，大于10的就是带鱼”这么简单。

分类的本质，实际是我们在测量数据的空间内，试图找到一个面将空间中的2类隔离开。但是事实证明，即使存在这样的分类平面，它也很可能是弯曲复杂到不可想象的。所以，在原始数据空间内分类，是自寻烦恼。SVM方法将数据映射到一个高维空间，在这个空间中，也许一个“平”面就能轻易把两类分开。如果这种平面有很多，我们就选择能把2类分的最远的作为分类面。

这种分类方法有很多优良性质，比如分类平面仅取决于那些分类边沿的数据（即支持向量），这保证了稍改换样本数据不会对分类面有很大影响，似乎更符合我们的直觉，并且不易造成对样本的过分依赖。

写程序的感觉是，SVM的实现反而比NN简单，而且有了SMO算法学习速度更是惊人，实验结果非常好。这也是SVM最近成为研究主流的原因吧。

ps.我尽量用最通俗的话叙述了，各位看官是不是看明白了-_-...
随机文章:

• 夜色
• 匆忙 时间
• 北京北京
• 流水帐
• [转载]冬天，我是不会唱歌的孩子--1

庆祝啊庆祝~lalala
随机文章:

• 福娃在天津
• 1087碟评
• 会见师傅
• 父亲
• 完全而快乐的“掉入”这个圈子