支持向量機（SVM）方法在預測方面有什麼優缺點？

01-14

我是經管類專業的，對SVM原理大概懂，不過數學不好理解不怎麼深。之前老師讓做投資回報率預測，我用SVM，選擇核函數選擇線性時準確率達到97/99（800多個原始樣本，99個作為測試）。但又據說SVM已經是很久的方法了，這樣做預測沒有帶來什麼優化。想請問向量機預測有什麼優點？如果可以說說它優化方向就更好了，謝謝

首先有個疑問：投資回報率的預測應該是個連續值的預測（SVR），而不是分類問題吧？97/99的成功率指的是什麼？

其次，你的目的是什麼呢，寫文章，大作業還是實際項目？你現在的效果很好，對項目而言那就最好不過了；對寫文章而言，啊哦，好像不太好啊，沒什麼創新；97/99的結果還能怎麼優化啊。作為應用SVM的，我覺得去研究如何優化SVM本身是不現實的，而應該研究的是怎麼把一個問題轉化成適合SVM使用的，而且需要和其他模型不僅比較結果優劣，也要比較模型複雜度，訓練時間等。

如果是線性可分的SVM 已經很好了。如果不是線性可分，你也可以加Kernel ，但是會存在overfitting . 如果你要看效果，建議cross validation 而不是只測試99個。如果你知道class conditional , 可以用基於bayes 的logistic 或 linear/quadratic discriminative analysis .具體要看誰的cross validation 效果好

第一次被邀請，謝邀

優點：
適合小數量樣本數據，可以解決高維問題，理論基礎比較完善，對於學數學的來說它的理論很美。

缺點：一旦數據量上去了，那麼計算機的內存什麼的資源就支持不了，這時候LR等演算法就比SVM 要好。

對於核函數的運用對SVM來說確實是一個亮點，但是核函數不是SVM專屬的，其他演算法一旦涉及到內積運算，就可以使用核函數。它的優化方向的話就是各種不同的場景了，比如擴展到多分類，類別標籤不平衡等都可以對SVM做些改變來適應場景

在SVM工程應用中，即使是你們項目的應用，可以關注更多的是SVM參數的選擇，調整，包括核函數的選擇，數據的前期處理，如歸一化問題等，這些做好了SVM的性能還是可以的。再有，特徵提取的好的話，對分類器本身的要求就不高了。

『我是經管類專業的，對SVM原理大概懂，不過數學不好理解不怎麼深。』

如果你看過原理，就知道它已經很好了。決定效果的更多是特徵選擇和參數調優。