基于數(shù)據(jù)的機器學習是現(xiàn)代智能技術中的重要方面，研究從觀測數(shù)據(jù)（樣本）出發(fā)尋找規(guī)律，利用這些規(guī)律對未來數(shù)據(jù)或無法觀測的數(shù)據(jù)進行預測。迄今為止，關于機器學習還沒有一種被共同接受的理論框架，關于其實現(xiàn)方法大致可以分為三種[3]：
第一種是經(jīng)典的（參數(shù)）統(tǒng)計估計方法。包括模式識別、神經(jīng)網(wǎng)絡等在內(nèi)，現(xiàn)有機器學習方法共同的重要理論基礎之一是統(tǒng)計學。參數(shù)方法正是基于傳統(tǒng)統(tǒng)計學的，在這種方法中，參數(shù)的相關形式是已知的，訓練樣本用來估計參數(shù)的值。這種方法有很大的局限性.
首先，它需要已知樣本分布形式，這需要花費很大代價，還有，傳統(tǒng)統(tǒng)計學研究的是樣本數(shù)目趨于無窮大時的漸近理論，現(xiàn)有學習方法也多是基于此假設。但在實際問題中，樣本數(shù)往往是有限的，因此一些理論上很優(yōu)秀的學習方法實際中表現(xiàn)卻可能不盡人意。
第二種方法是經(jīng)驗非線性方法，如人工神經(jīng)網(wǎng)絡（ANN）。這種方法利用已知樣本建立非線性模型，克服了傳統(tǒng)參數(shù)估計方法的困難。但是，這種方法缺乏一種統(tǒng)一的數(shù)學理論。與傳統(tǒng)統(tǒng)計學相比，統(tǒng)計學習理論（Statistical Learning Theory或SLT）是一種專門研究小樣本情況下機器學習規(guī)律的理論。該理論針對小樣本統(tǒng)計問題建立了一套新的理論體系，在這種體系下的統(tǒng)計推理規(guī)則不僅考慮了對漸近性能的要求，而且追求在現(xiàn)有有限信息的條件下得到最優(yōu)結果。V. Vapnik等人從六、七十年代開始致力于此方面研究，到九十年代中期，隨著其理論的不斷發(fā)展和成熟，也由于神經(jīng)網(wǎng)絡等學習方法在理論上缺乏實質(zhì)性進展，統(tǒng)計學習理論開始受到越來越廣泛的重視。
統(tǒng)計學習理論的一個核心概念就是VC維(VC Dimension)概念，它是描述函數(shù)集或?qū)W習機器的復雜性或者說是學習能力(Capacity of the machine)的一個重要指標，在此概念基礎上發(fā)展出了一系列關于統(tǒng)計學習的一致性(Consistency)、收斂速度、推廣性能(Generalization Performance)等的重要結論。
統(tǒng)計學習理論是建立在一套較堅實的理論基礎之上的，為解決有限樣本學習問題提供了一個統(tǒng)一的框架。它能將很多現(xiàn)有方法納入其中，有望幫助解決許多原來難以解決的問題（比如神經(jīng)網(wǎng)絡結構選擇問題、局部極小點問題等）；
同時，這一理論基礎上發(fā)展了一種新的通用學習方法──支持向量機（Support Vector Machine或SVM），已初步表現(xiàn)出很多優(yōu)于已有方法的性能。一些學者認為，SLT和SVM正在成為繼神經(jīng)網(wǎng)絡研究之后新的研究熱點，并將推動機器學習理論和技術有重大的發(fā)展。
支持向量機方法是建立在統(tǒng)計學習理論的VC維理論和結構風險最小原理基礎上的，根據(jù)有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度，Accuracy)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的推廣能力(Generalizatin Ability)。支持向量機方法的幾個主要優(yōu)點有：
1. 它是專門針對有限樣本情況的，其目標是得到現(xiàn)有信息下的最優(yōu)解而不僅僅是樣本數(shù)趨于無窮大時的最優(yōu)值；
2. 算法最終將轉(zhuǎn)化成為一個二次型尋優(yōu)問題，從理論上說，得到的將是全局最優(yōu)點，解決了在神經(jīng)網(wǎng)絡方法中無法避免的局部極值問題；
3. 算法將實際問題通過非線性變換轉(zhuǎn)換到高維的特征空間(Feature Space)，在高維空間中構造線性判別函數(shù)來實現(xiàn)原空間中的非線性判別函數(shù)，特殊性質(zhì)能保證機器有較好的推廣能力，同時它巧妙地解決了維數(shù)問題，其算法復雜度與樣本維數(shù)無關；
在SVM方法中，只要定義不同的內(nèi)積函數(shù)，就可以實現(xiàn)多項式逼近、貝葉斯分類器、徑向基函數(shù)(Radial Basic Function或RBF)方法、多層感知器網(wǎng)絡等許多現(xiàn)有學習算法。
統(tǒng)計學習理論從七十年代末誕生，到九十年代之前都處在初級研究和理論準備階段，近幾年才逐漸得到重視，其本身也趨向完善，并產(chǎn)生了支持向量機這一將這種理論付諸實現(xiàn)的有效的機器學習方法。
目前，SVM算法在模式識別、回歸估計、概率密度函數(shù)估計等方面都有應用。
例如，在模式識別方面，對于手寫數(shù)字識別、語音識別、人臉圖像識別、文章分類等問題，SVM算法在精度上已經(jīng)超過傳統(tǒng)的學習算法或與之不相上下。
目前，國際上對這一理論的討論和進一步研究逐漸廣泛，而我國國內(nèi)尚未在此領域開展研究，因此我們需要及時學習掌握有關理論，開展有效的研究工作，使我們在這一有著重要意義的領域中能夠盡快趕上國際先進水平。由于SLT理論和SVM方法尚處在發(fā)展階段，很多方面尚不完善，比如：許多理論目前還只有理論上的意義，尚不能在實際算法中實現(xiàn)；而有關SVM算法某些理論解釋也并非完美（J.C.Burges在[2]中就曾提到結構風險最小原理并不能嚴格證明SVM為什么有好的推廣能力）；此外，對于一個實際的學習機器的VC維的分析尚沒有通用的方法；SVM方法中如何根據(jù)具體問題選擇適當?shù)膬?nèi)積函數(shù)也沒有理論依據(jù)。因此，在這方面我們可做的事情是很多的。
上文引自 水母bbs AI版
相關資源
SVM的英文主站，
http://www.kernel-machines.org/
Support Vector Machine 作者的站點
http://www.support-vector.net
piaip 的 (lib)SVM 簡易入門
http://ntu.csie.org/~piaip/svm/svm_tutorial.html
林智仁(cjlin)老師的 libsvm for matlab
LIBSVM — A Library for Support Vector Machines
Chih-Chung Chang and Chih-Jen Lin
http://www.csie.ntu.edu.tw/~cjlin/libsvm/