## SVM 支持向量机 第一个部分旨在使用可视化的方式让同学们理解SVM的工作原理, SVM分割线, SVM的支持向量. 并且使用实例证明SVM的分割线只由支持向量唯一缺点, 与线性回归/逻辑回归不一样, SVM对异常数据具有较强的**鲁棒性**. 第二个部分展示了如何使用支持向量机实现人脸的分类识别. 对输入的人脸图像, 使用 **PCA(主成分分析)** 将图像(看作一维向量)进行了降维处理, 然后将降维后的向量作为支持向量机的输入. PCA降维的目的可以看作是特征提取, 将图像里面真正对分类有决定性影响的数据提取出来.
评论星级较低,若资源使用遇到问题可联系上传者,3个工作日内问题未解决可申请退款~