2020/7/21回顾及预期及机器学习算法-支持向量机day01

Posted 2021-04-26 Python股市大数据学习

上涨板块：生物医药/创新药、消费/酒、创50、

跟风板块：科技/消费科技

领跌板块：军工、券商、煤炭/钢铁、半导体/芯片

强趋势线不变的板块：生物医药、消费、创50、家电、新能车

今日北向资金流向：沪股通流出26.9亿，深股通流入18.69亿。

明天上证指数编制方案落地。

这次改革力度空前，必将带来指数慢牛，这一点上，始终坚信！

特色的政策市，特色的监管制度，绝不能忽视。风险是涨出来的，不需要快牛疯牛，这一点上，监管不会放松。

支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。

SVM由Vapnik领导ATT Bell实验室研究小组在1995年提出的一种基于统计学习理论的模式识别的分类方法，主要应用于模式识别领域。所谓“支持向量”是指那些在间隔区边缘的训练样本点，“机”是指算法。就是要找到具有最大间隔的风隔面，实际上解决的是一个最优分类器设计的问题。

目的：找到应该最优的分类器，换言之，找到一个超平面，使得分类间隔最大

优化的目标函数：分类间隔。需要使得分类间隔最大

优化的对象：分类超平面（决策平面）。通过调整分类超平面的位置，使得间隔最大，实现优化目标

超平面是n维欧氏空间中余维度等于1的线性子空间。

间隔：实际上是从支持向量对应的点到分类超平面的垂直距离的2倍，即有：W = 2d