一 起因

實(shí)際上，除了隨機(jī)森林外，支持向量機(jī)也是一個(gè)非常普遍的算法，該算法具有很多優(yōu)點(diǎn)，比如適用性廣（二分類或者多分類）、有效性高（高維空間、非線性問(wèn)題和小樣本學(xué)習(xí)具有很好的適用性）、很強(qiáng)的魯棒性（對(duì)訓(xùn)練數(shù)據(jù)中的噪聲和異常值具有較強(qiáng)的魯棒性，減少過(guò)擬合的風(fēng)險(xiǎn)，注意，只是減少）、可解釋強(qiáng)等（可視化強(qiáng)，這點(diǎn)是許多神經(jīng)學(xué)習(xí)算法所不具備的）諸多優(yōu)點(diǎn)

二?正文

2.1 算法解析

首先，支持向量機(jī)實(shí)際上是對(duì)兩組或多組數(shù)據(jù)，通過(guò)建立可分離超平面的方法實(shí)現(xiàn)線性可分的。其中的支持向量就是圖中的兩個(gè)點(diǎn)（距離超平面最近的這幾個(gè)訓(xùn)練樣本點(diǎn)），而我們需要做的就是這個(gè)max Dist能夠達(dá)到最大。實(shí)際上，那三條直線的角度也是不固定的，算法會(huì)通過(guò)對(duì)角度進(jìn)行旋轉(zhuǎn)，并計(jì)算max Dist，不斷的微調(diào)模型，從而達(dá)到最優(yōu)。由圖中可知，決定模型好壞主要因素就是支持向量的分布，因而異常值和噪音對(duì)于模型的影響其實(shí)不是很大。

下圖是以鳶尾花數(shù)據(jù)集特征集兩個(gè)特征的SVM分類結(jié)果可視化過(guò)程?？梢钥闯?，迭代10次之后，兩組數(shù)據(jù)已經(jīng)可以被線性可分了。

其實(shí)，這些都是一種非常理想的狀態(tài)，但是讀者也知道，真實(shí)世界中其實(shí)沒(méi)有那么多線性可分的事件，我們常常需要面對(duì)的是多維的，且低維空間不可分的數(shù)據(jù)，為下圖，那么，我們就需要借助如核函數(shù)等一類的函數(shù)將這些數(shù)據(jù)轉(zhuǎn)換到高維空間進(jìn)行分類，從而將線性不可分的數(shù)據(jù)變?yōu)榫€性可分。
但是，這常常會(huì)帶來(lái)維數(shù)爆炸的計(jì)算困境，因此，數(shù)學(xué)家開(kāi)發(fā)了一些高級(jí)（也就是非專業(yè)人士眼中的視若天書的數(shù)據(jù)公式，筆者也懂的不多）的工具將這類計(jì)算變的更為容易。但是，實(shí)質(zhì)都是從不同角度實(shí)現(xiàn)兩組數(shù)據(jù)的線性可分。

2.2 算法缺點(diǎn)

數(shù)據(jù)量大：SVM在大數(shù)據(jù)量情況下的訓(xùn)練時(shí)間較長(zhǎng)，計(jì)算成本高，這個(gè)嘛，我到覺(jué)得不是啥大問(wèn)題。應(yīng)該如果數(shù)據(jù)真的異常龐大，那么基本上都會(huì)用到深度學(xué)習(xí)吧，畢竟現(xiàn)在數(shù)據(jù)越大，深度學(xué)習(xí)提升的越好。

參數(shù)調(diào)節(jié)難度大：SVM需要調(diào)節(jié)的參數(shù)較多，例如核函數(shù)類型、核函數(shù)參數(shù)和懲罰參數(shù)等，需要專業(yè)知識(shí)和經(jīng)驗(yàn)支持，也是計(jì)算機(jī)科學(xué)家和數(shù)學(xué)家擅長(zhǎng)做的事情了，而不是半路出家的生信工程師所熟悉的。

對(duì)缺失數(shù)據(jù)敏感：SVM對(duì)于數(shù)據(jù)的缺失和不完整性較為敏感，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和填充，這一部分則涉及到缺失值的填充。

只能處理二分類問(wèn)題：SVM本質(zhì)上是一個(gè)二分類算法，對(duì)于多分類問(wèn)題需要進(jìn)行額外的處理，例如使用多個(gè)SVM組成分類器，那么算法的時(shí)間則是線性增加，如果分類太多，那么很有可能是指數(shù)性增加。

三?慣例小結(jié)

簡(jiǎn)單來(lái)說(shuō)，支持向量就是通過(guò)算法尋找一條直線，能夠使得二分類間的間距最大。而針對(duì)線性不可分的數(shù)據(jù)，我們通過(guò)高維計(jì)算，實(shí)現(xiàn)線性可分。雖然，這其中涉及到許多數(shù)據(jù)公式，但是，對(duì)于一個(gè)一般的使用者而言，或許只需要知道其應(yīng)用的原理以及不可用的情況就可以實(shí)現(xiàn)算法為我所用的目的了。

當(dāng)然了，要感謝那些數(shù)學(xué)家和計(jì)算機(jī)科學(xué)家，沒(méi)有他們?cè)谟?jì)算角度的孜孜不倦，就沒(méi)有我們?cè)趹?yīng)用角度的踏步前進(jìn)。

四 公眾號(hào)其他資源（方便讀者使用）

本公眾號(hào)開(kāi)發(fā)的相關(guān)軟件，Multi-omics Hammer軟件和Multi-omics Visual軟件歡迎大家使用。

Multi-omics Hammer軟件下載地址：

https://github.com/wangjun258/Multi-omics-Hammer

Multi-omics Visual軟件下載地址：https://github.com/wangjun258/Multi_omics_Visual/releases/tag/Multi_omics_Visual_v1.03

PS：因?yàn)楸拒浖怯胮ython腳本撰寫，調(diào)用了部分依賴包，用戶首次使用需要安裝python以及對(duì)應(yīng)的包，安裝之后便可永久使用。

下面是本號(hào)在其他平臺(tái)的賬戶，也歡迎大家關(guān)注并多提意見(jiàn)。

簡(jiǎn)書：WJ的生信小院

公眾號(hào)：生信小院

博客園：生信小院

最后，也歡迎各位大佬能夠在本平臺(tái)上：1傳播和講解自己發(fā)表的論文；2：發(fā)表對(duì)某一科研領(lǐng)域的看法；3：想要達(dá)成的合作或者相應(yīng)的招聘信息；4：展示自己以尋找博后工作或者博士就讀的機(jī)會(huì);5:博導(dǎo)提供博后工作或者博士攻讀機(jī)會(huì)，都可以后臺(tái)給筆者留言。希望本平臺(tái)在進(jìn)行生信知識(shí)分享的同時(shí)，能夠成為生信分析者的交流平臺(tái)，能夠?qū)崿F(xiàn)相應(yīng)的利益互補(bǔ)和雙贏（不一定能實(shí)現(xiàn)，但是夢(mèng)想總得是有的吧）。?

五 封面圖?