Support-Vector Networks

概述 (50-200字符)

支持向量机奠基性论文，由Corinna Cortes和Vladimir Vapnik于1995年发表于Machine Learning期刊。首次将SVM从线性扩展到非线性（核技巧），确立最大间隔分类理论。

关键内容 (≥300字符, 用双链)

1. 历史背景：1990年代神经网络陷入梯度消失、过拟合困境。Vapnik在贝尔实验室提出从统计学习理论出发直接推导最优分类器，而非在巨大函数空间中盲目搜索。
2. 核心贡献：在VC维理论框架下，证明最大化分类间隔的分类器泛化能力最强。提出硬间隔SVM（线性可分）和软间隔SVM（含噪声，引入松弛变量ξᵢ和参数C）。
3. 核技巧引入：将低维非线性不可分数据映射到高维空间，在高维中线性可分。关键突破：无需显式计算φ(x)，只需替换内积xᵢ·xⱼ→K(xᵢ,xⱼ)，实现非线性分类。
4. 历史影响：1995-2012年间统治机器学习领域，在手写数字识别（MNIST）、文本分类、生物信息学、图像识别等领域超越当时最好方法。深度学习崛起前最强分类器。
5. 数学优雅性：凸优化保证全局最优解，支持向量可解释，预测公式：ŷ=sign(Σᵢ αᵢyᵢK(xᵢ,x)+b)，仅依赖支持向量。

来源

• raw/articles/ai-papers/machine-learning/03_svm_1995.md — Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273–297.

相关

• 支持向量机 — implements
• 核技巧 — extends
• VC维理论 — depends_on
• Vladimir Vapnik — authored_by
• Corinna Cortes — authored_by