機器學習知識地圖 · 監督式學習
SVM
支援向量機
觀念教學
在兩軍之間畫一條「離雙方都最遠」的楚河漢界 — 支援向量機(SVM, Support Vector Machine)靠最大化間距來分類,是理論最優雅的經典模型之一。
核心觀念
在高維空間尋找最佳分類超平面,讓兩類資料之間的間距(Margin)最大化;貼著邊界、撐起間距的那幾個點就是支援向量(Support Vector),邊界只由它們決定。線性分不開時,用核技巧(Kernel Trick)把資料投射到更高維空間,在那裡就分得開了。
白話理解
桌上紅球藍球混雜,SVM 找一條線分開它們,還讓線離兩邊最近的球都越遠越好 — 緩衝帶越寬,新球進來越不易誤判。平面分不開?把桌布往上一甩(升維),空中就能用一張紙隔開兩色球。
優缺點
- 優點:高維度資料表現好(文字分類、手寫與影像辨識),間距最大化讓它不易過擬合、理論基礎扎實
- 優點:One-Class SVM 可做異常檢測,如資安流量的異常連線偵測
- 缺點:大資料集訓練很慢
- 缺點:對參數 C 與 gamma 敏感;不直接輸出機率
- 屬距離計算型模型,特徵務必先縮放;評估看準確率與混淆矩陣
🎯 口訣:找一條離兩邊都最遠的線,撐住那條線的點叫支援向量。
iPAS 考點
歷屆以特性判斷為主(如資安異常偵測情境):正確敘述方向是最大化類別間隔、邊界由支援向量決定、核技巧處理非線性可分;陷阱敘述包括「SVM 直接輸出機率」「特別適合超大資料集快速訓練」「邊界由全部樣本平均決定」。
📝 本節掛載 1 題 iPAS 歷屆試題 — 讀完往下到「iPAS 考題練習」直接實戰。
應用場景
評估指標
iPAS 歷屆考題詳解(1 題)
先自行作答,再展開詳解。題目出處均為 iPAS AI 應用規劃師正式考題,著作權屬原主辦單位。
某資安公司正在評估導入機器學習模型來偵測網路流量中的異常連線行為。技術團隊在比較各種演算法時，其中一位工程師建議採用支援向量機（SVM）。請問下列何者最正確敘述支援向量機的特性？
- A擅長處理大規模非結構化資料，且模型訓練完成後可自動適應新進資料而無需重新建模；
- B透過多個模型的集體決策來提升預測穩定性，在資料量不足時仍能維持一定的準確率；
- C在高維度且樣本數相對有限的情境下表現良好，但當訓練資料量龐大時運算成本會顯著上升；
- D具備強大的特徵自動萃取能力，特別適合影像與語音等需要逐層抽象化處理的複雜任務
看正解與逐選項詳解
正解:C
正確答案:(C)
【正解解析】
支援向量機(SVM)透過最大化分類間隔(Margin)建立決策邊界,決策僅由少數支援向量決定,因此在高維特徵且樣本數相對有限的情境下常有良好表現,不易過擬合;但其訓練涉及樣本兩兩之間的運算,資料量龐大時計算成本與記憶體需求會顯著上升。選項 (C) 同時陳述其優勢與限制,是對 SVM 特性最正確的敘述。
【為何其他選項錯了?】
- (A):SVM 訓練完成後模型即固定,不會自動適應新進資料;資料分布變動時仍需重新訓練或更新模型。
- (B):透過多個模型的集體決策提升穩定性是集成學習(如隨機森林、Boosting)的特性,並非 SVM 的運作方式。
- (D):自動逐層萃取特徵是深度學習(如 CNN)的強項;SVM 依賴既有的特徵表示與核函數,不具備逐層抽象化的特徵學習能力。
提示:SVM 的關鍵詞是最大間隔、高維小樣本表現佳、大資料訓練成本高。