关于瑞星新统计学习引擎的DT算法和SVM算法的理解

雾生镜

DT的剪枝确实粗劣 在数学上毫无美感
SVM方法可以用数学推导得出最大的几何间隔，DT的“剪枝”却没有办法用数学推导出最优解！
在一些模式识别的实验中DT也没啥优势可言

马灵耀

哈哈，笑死了。SVM是连续型算法，而DT是离散型算法，DT当然不需要SVM的推导出最优解。

雾生镜

32楼 真是什么都不懂的民科 是谁给你这么大勇气跟我讨论这种问题的

雾生镜

给你个民科科普一下好了
http://zh.wikipedia.org/wiki/%E5%86%B3%E7%AD%96%E6%A0%91%E5%AD%A6%E4%B9%A0
数学理论的部分你直接无视，但是请别选择性无视就好了
另外你知道什么叫NP完全问题吗？逗我

马灵耀

呵呵，刚吃饭回来，看到你这么高兴，又介绍这么丰富的知识。
我只是说想说，SVM是连续空间低维至高维映射确定分类间隔边界，DT属于逼近离散函数值方法。这个让你偷换概念让你高兴的。
很高兴今天跟LZ的讨论。我只想说多尊重厂商的方法，取长补短，让数字和星星为安全技术上都得到发展。
不要局限于理论、多讨论实际应用，让数字尽快摆脱小红伞和BD的引擎。
数字好好推导出优秀的“超平面”，让瑞星修剪出漂亮的“决策树”。
别在“咬”我了，再一次品尝到了数字本性。
不想再讨论了，聊到最后变味了。有点捣乱了瑞星新引擎活动。
最后祝瑞星新引擎活动取得成功。

雾生镜

我偷换概念了？能解释一下吗？
你既然对概念这么懂，我就问你个概念性的问题好了，不是什么高深的数学理论
对于线性可分的情况下样本的特征是在基本的向量空间里来分类的，对于非线性分类的情况则需要将原空间里特征向量映射到某个高维的空间中找出线性的超平面来进行分类（但是其实是使用泛函分析中mercer定理衍生出来的核函数得到的分类器），你对概念这么了解？你知道映射到的高维空间为什么一定是数学上的L2空间吗？
有点泛函分析基础的人一看就会明白
我真替你捉急啊 ！

雾生镜

我虽然不是做这个方向的，但是我好歹也是做数学的，你说我偷换概念我不开心

风~舒念

SVM没有缺点？虽然我不想回复，但是我还是忍不住吐槽。SVM算法有很多中，更何况单纯用数学理论当成计算机实现后的结果是绝对不可取，你做一个引擎要考虑写出了以后时间复杂度的问题，在计算机上的资源占用问题，我当初用SVM算法尝试写引擎（虽然失败了），但是实践表明最终做出来的东西和理论上的结果相差甚远~SVM最大的优势就是解决样本维度的问题，对于杀毒引擎它所能查杀结果取决于支持向量的样本（所以SVM算法对正负样本的选择有比较高的要求，至少必须典型），局限性是必然的。我觉得楼主这个帖子很没意思，世界上没有一个数学家敢说自己的算法是没有缺点的，如果你要说，先至少达到高斯的水平！

雾生镜

39楼 我笑
扔出个17世纪的高斯好像很厉害的样子，看来你对近世数学知之甚少也就知道个古老的高斯了，没点数学基础就玩SVM，难怪会失败！