SVM的特点非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射；对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心；支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量；SVM 是一种有坚实理论基础的新颖的小样本学习方法。SVM优缺点优点：范化错误率低，计算开销不大，结果易解释缺点：对参数调节和核函数的选择敏感，原始分类器

引入前面学习的内容都是要求分类器直接给出分类结果，今天学习的朴素贝叶斯可以给出一个最优的类别猜测结果，同时给出这个猜测的概率估计值。以垃圾邮件分类为例，一封邮件通过朴素贝叶斯得到的分类结果可能会是如下结果：没有一个准确猜测，但是会给每个猜测计算概率，最后会选取概率最大的猜测作为结果。先验概率：在训练模型之前，通过历史数据得到的初始概率；该概率与待测样本无关，独立于样本。后验概率：反映了在看到数据样