文章 "机器学习：支持向量机如何应用于交易"
文章极富说教性，写得很好，感谢分享。
我想指出的是，如果至少有一个类是不连贯的，即由 2 个或 2 个以上不重叠的子群组成，那么该方法就不起作用。例如，如果 Shnyaki（实际上--计算机在分析之前并不知道这一点！）有两种--一种是绿色的，体重 100 公斤，爱吃胡萝卜；另一种是彩虹色的，体重 30 公斤，不能吃胡萝卜，但吃鲱鱼，那么在 "shnyaki "和 "not shnyaki "之间画一个超平面就很成问题。这种情况在市场上，甚至在多维情况下，都是非常典型的。
alsu:
Вот я бы все таки отметил, что метод не бует работать, если хотя бы один из классов не связный, то есть состоит из 2 и более непересекающихся подгрупп. Например, если Шняки (на самом деле - компьютер перед анализом этого не знает!) бывают 2 видов - зеленоватые, весом 100 кг и которые любят морковку и радужно-блестящие весом 30 кг, которые морковку не переносят, но зато хавают селедку, то провести гиперплоскость между "шняками" и "не шняками" будет довольно проблематично. А такая ситуация на рынке, да еще и в многомерном случае, типична вполне.
...你可以用这种 算法来解决这个问题。顺便说一句，非常感谢你！
附注：抱歉，我实在忍不住...:)
1) 你看到一个有 9 条腿（！）和 4 只眼睛的生物。这不是故障！！这是一个小吃！
2) 动物的交配频率是 14000 赫兹（每秒 14000 次）。0_o
有趣的文章。写得很好。
解决 2 种史尼亚克的问题的方法如下：1）指出 2 种史尼亚克的共同特征，但将其与其他动物区分开来。2) 除了第 1 点之外，还要指明区分两种史尼亚克的特征。因此，不符合这些标志的错误会减少，而符合其他标志的错误会增加。总体结果取决于附加特征在多大程度上将 "斯尼亚克 "与其他物种区分开来。3) 可以进行 2 次分析，每次分析突出一个特定类型的 "施尼亚克"。假设精度很高。
文章写得很好，谢谢！
对于在交易中实施 SVM 非常有用！
干得好
好东西
新文章 机器学习：支持向量机如何应用于交易已发布：
何为“支持向量机”？
支持向量机是一种机器学习的方法，尝试将输入的数据分为两类。要使支持向量机生效，首先要使用一系列训练输入和输出数据来建立支持向量机的模型（用于新数据分类）。
支持向量机模型是这样建立的：获取训练输入，将其映射至多维空间，使用回归算法找到可最佳分离两类输入数据的超平面（超平面是一个在 n 维空间中将空间划分为两个半空间的一个平面）。一旦支持向量机完成了受训，它就可以评估有关划分超平面的新输入数据，并将划分为其中一类。
支持向量机本质上是一个输入/输出型机器。用户可以输入一个数据，以训练建立的模型为基 础，返回一个输出结果。理论上，任何给定支持向量机可支持的输入数据的数量范围为 1 到无穷大；然而在实际应用中，运算能力确实成为了输入数据使用量的瓶颈。举例说，有 N 个输入数据用于某一特定支持向量机（N 取 1 至无穷大之间的自然数），支持向量机就必须将每一个输入数据组映射至 N 维空间，并找到最能分离训练数据的 N-1 维超平面。
作者：Josh Readhead