支持向量机在环境分类中的应用

📚 共计 30 章节

环境分类问题概述

什么是环境分类 · 水质/空气/土壤场景 · 为什么选择SVM

支持向量机基础

线性可分与不可分 · 最大间隔 · 支持向量概念

数学预备知识

向量点积 · 超平面 · 函数间隔与几何间隔

优化目标 · 拉格朗日乘子 · 对偶问题

松弛变量 · 惩罚C · 软间隔对偶形式

正则化鲁棒

为什么需要核 · 多项式/RBF · 选择原则

SVM多分类策略

一对多(OvR) · 一对一(OvO) · DAG

环境数据预处理

缺失值/异常值 · 标准化归一化 · 编码

过滤/包裹/嵌入 · PCA降维 · 环境特征技巧

数据集划分

训练/验证/测试 · K折交叉验证 · 留一法

模型评估指标

准确率/精确率/召回率 · F1 · 混淆矩阵 · ROC/AUC

Python环境搭建

Anaconda · Jupyter · scikit-learn

SVM实战准备

加载环境数据 · EDA · 可视化分布

使用线性SVM分类

LinearSVC · 决策边界 · 参数解读

线性可视化

使用核SVM分类

SVC类 · gamma调优 · 核对比

超参数调优

GridSearchCV · RandomizedSearchCV · 学习曲线

案例一：水质自动分类

pH/浊度/溶解氧 · 水质等级判定

案例二：AQI分类

PM2.5/PM10/CO · 空气质量等级

案例三：土壤重金属分级

As/Cd/Pb · 污染程度分类

案例四：噪声环境分类

频谱特征 · 交通/施工/生活识别

案例五：遥感图像分类

多光谱 · 森林/水体/建筑

模型部署基础

joblib保存/加载 · 预测函数 · Flask API

SVM的局限性

大规模瓶颈 · 缺失敏感 · 核选择困难

SVM与其他分类器对比

逻辑回归/树/随机森林/KNN/神经网络

集成学习与SVM

Bagging/Boosting SVM · Stacking

不平衡数据处理

类别不平衡 · SMOTE · 代价敏感学习

不平衡采样

时间序列环境分类

滑动窗口 · SVM时序应用 · 气象事件

时序滑动窗

模型解释性

权重分析 · 支持向量可视化 · SHAP

深度学习+SVM · 量子SVM · 在线学习

课程总结与项目实战

综合系统设计 · 数据到部署 · FAQ