SVM
支持向量机，一种经典的监督学习算法，通过寻找最优决策超平面进行分类或回归，sklearn中以SVC类实现
核心事实
时间轴 (近 90 天)
演示中，通过LASSO回归、SVM、随机森林和Boruta四种方法筛选特征基因，取交集得到5个交集特征基因；特征基因的ROC曲线AUC均大于0.7。
演示中，WorkBuddy智能体使用“深信自学网”编写的Skill（技能包），按预设流程依次执行数据合并与批次校正、差异分析与可视化、WGCNA共表达分析、交集基因获取、GO/KEGG富集、PPI网络构建、LASSO/SVM/随机森林/Boruta特征基因筛选、特征基因验证与可视化、GSEA/GSVA及免疫分析、ceRNA/转录因子调控网络构建和药物敏感性分析，并生成结构化报告。
传统模型如SVM或决策树对标签噪声极为敏感，因为它们的容量和优化路径缺乏先学共性、后记特例的偏好。
传统核方法（如 SVM 使用 RBF 核）计算 Gram 矩阵的复杂度为 O(n²) 甚至 O(n³)，难以扩展到大规模数据。
EfficientNet-B3 与 SVM 的组合取得最强基线表现，准确率达到 96.31%，宏观 F1 分数为 96.36%
经典机器学习方法（如逻辑回归、SVM、朴素贝叶斯）配合TF-IDF或固定词向量等预计算文本特征，参数量极小，CPU推理延迟可低至毫秒级
SVM在深度学习崛起前曾是分类任务的主流方法，如今在小样本、高维结构化数据场景中仍有稳定应用
对比实验的经典模型对手包括 SVM、XGBoost、逻辑回归等算法
SVM、AdaBoost等奠基性算法的重要理论工作发表于JMLR
在SVM中，距离决策边界最近的数据点被称为支持向量，是唯一真正影响边界位置的样本，其余数据点即使删除边界也不会改变
还有 8 条时间轴事件
全部知识事实 (20)
机器学习的代表算法包括支持向量机（SVM）、决策树和朴素贝叶斯
70%已验证序列最小优化算法（SMO）由 John Platt 于 1998 年提出，将大规模二次规划问题分解为只涉及两个变量的最小子问题
65%待验证SVM通过最大化分类间隔来寻找最优超平面，其核技巧能将数据隐式映射到高维空间处理非线性可分问题
60%待验证传统模型如SVM或决策树对标签噪声极为敏感，因为它们的容量和优化路径缺乏先学共性、后记特例的偏好。
50%待验证传统核方法（如 SVM 使用 RBF 核）计算 Gram 矩阵的复杂度为 O(n²) 甚至 O(n³)，难以扩展到大规模数据。
50%待验证EfficientNet-B3 与 SVM 的组合取得最强基线表现，准确率达到 96.31%，宏观 F1 分数为 96.36%
50%待验证经典机器学习方法（如逻辑回归、SVM、朴素贝叶斯）配合TF-IDF或固定词向量等预计算文本特征，参数量极小，CPU推理延迟可低至毫秒级
50%待验证SVM在深度学习崛起前曾是分类任务的主流方法，如今在小样本、高维结构化数据场景中仍有稳定应用
50%待验证对比实验的经典模型对手包括 SVM、XGBoost、逻辑回归等算法
50%待验证SVM、AdaBoost等奠基性算法的重要理论工作发表于JMLR
50%待验证在SVM中，距离决策边界最近的数据点被称为支持向量，是唯一真正影响边界位置的样本，其余数据点即使删除边界也不会改变
50%待验证基于距离或梯度的算法（KNN、SVM、逻辑回归、神经网络）对特征尺度敏感，需要做特征缩放
50%待验证SVM显著受益于PCA降维，经过主成分分析处理后分类准确率明显提升
50%待验证研究使用K近邻（KNN）、随机森林（RF）和支持向量机（SVM）三种机器学习算法进行训练与评估
50%待验证SVM对高维稀疏数据表现优异但对大规模数据的训练时间较长，随机森林天然支持并行化且对超参数不太敏感
50%待验证SVM和KNN等机器学习算法对特征的量纲非常敏感
50%待验证KNN、SVM的RBF核等依赖距离度量的算法及逻辑回归等依赖线性可分假设的算法对全局几何结构扭曲敏感，SWD变换会破坏其性能
50%待验证该SWD特征变换实验在决策树上表现良好，但在逻辑回归、SVM、KNN等算法上效果糟糕
50%待验证演示中，WorkBuddy智能体使用“深信自学网”编写的Skill（技能包），按预设流程依次执行数据合并与批次校正、差异分析与可视化、WGCNA共表达分析、交集基因获取、GO/KEGG富集、PPI网络构建、LASSO/SVM/随机森林/Boruta特征基因筛选、特征基因验证与可视化、GSEA/GSVA及免疫分析、ceRNA/转录因子调控网络构建和药物敏感性分析，并生成结构化报告。
50%待验证演示中，通过LASSO回归、SVM、随机森林和Boruta四种方法筛选特征基因，取交集得到5个交集特征基因；特征基因的ROC曲线AUC均大于0.7。
50%