感知器（perceptron）和支持向量機(jī)（svm）只能用于線性可分的樣本嗎？單層感知器只有線性表達(dá)能力，而多層感知器加上非線性激活函數(shù)，具有非線性表達(dá)能力。支持向量機(jī)的線性核只能用于線性可分樣本，而

感知器（perceptron）和支持向量機(jī)（svm）只能用于線性可分的樣本嗎？

單層感知器只有線性表達(dá)能力，而多層感知器加上非線性激活函數(shù)，具有非線性表達(dá)能力。

支持向量機(jī)的線性核只能用于線性可分樣本，而非線性核具有非線性擬合能力。

事實上，感知器和支持向量機(jī)本質(zhì)上只能對線性可分?jǐn)?shù)據(jù)進(jìn)行分類。

多層感知器前面的L-1層可視為“特征提取”過程。將線性不可分原始數(shù)據(jù)映射到線性可分特征空間。

支持向量機(jī)的非線性核是相同的，相當(dāng)于將原始數(shù)據(jù)映射到希爾伯特空間。

特征提取的非線性擬合過程可以通過其他方式進(jìn)行（如深度神經(jīng)網(wǎng)絡(luò)）。

svm什么意思？

既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？

這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)測模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學(xué)習(xí)算法，因為他們獲得的用戶數(shù)據(jù)是數(shù)以億計的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹和其他機(jī)器學(xué)習(xí)算法。如果你有一個大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)和其他深度學(xué)習(xí)算法。

以下是一個圖表，用于說明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機(jī)器學(xué)習(xí)算法。

如果你認(rèn)為它對你有幫助，你可以多表揚(yáng)，也可以關(guān)注它。謝謝您

什么是線性可分和線性不可分？

線性可分性是模式識別中的一個概念。簡言之，如果兩類樣本能被一個線性函數(shù)完全分離，則稱之為“線性可分”。

在英語中稱為線性分隔。

在這里寫公式不方便。你可以直接想象兩種類型的樣本在二維空間中被一條直線分開。這兩種類型稱為線性可分樣本。

如果兩種樣品分布如下：

o。。。x

]x。。。。O

]沒有一條直線可以把O和X分開，那就叫做線性不可分。

為了進(jìn)一步了解，我建議您參考任何關(guān)于模式識別的專著，當(dāng)涉及到線性分類器或支持向量機(jī)時都會提到。