支持向量机怎样预测宫颈癌

请问支持向量机怎么用来预测宫颈癌，有人能教教吗真的不会，找不到资料

• 这个问题的回答你可以参考下: https://ask.csdn.net/questions/7781697
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：从极大似然到对数损失函数和交叉熵损失函数，以及对数损失优化取值范围
• 除此之外, 这篇博客: 个人总结：从 线性回归 到 逻辑回归 为什么逻辑回归又叫对数几率回归？中的 小结 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 逻辑回归是基于伯努利分布假设的概率模型，通过极大似然估计的假设，输出y=1的概率。逻辑回归也可以看做一个单层神经网络添加sigmoid函数进行分类。

  逻辑回归严格来说属于广义线性模型，是非线性模型，但是在没有其他条件下只能对线性可分的数据进行分类。通过对数据进行升维（非线性映射），之后线性可分，可以使逻辑回归进行非线性分类。

  逻辑回归是解决工业规模问题最流行的算法。但在工业界很少将连续值作为逻辑回归的模型的特征输入，而是将连续特征离散化为一系列0,1特征交给逻辑回归模型，这样做的优势有：

  1、易于模型快速迭代

  2、稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展

  3、离散后的特征对异常数据有很强鲁棒性：比如大于30岁是1,300岁还是1

  4、简化逻辑回归模型的作用，降低过拟合的风险

  优点：

  • 适合需要得到一个分类概率的场景
  • 计算代价小，在时间和内存需求上相当高效。可应用于分布式数据
  • 对于小噪声的鲁棒性很好，并且不会受到轻微的多重共线性的特别影响（严重多重共线性则可以使用逻辑回归结合L2正则化来解决。但是若想得到一个简约模型，L2正则化并不是最好的选择，因为它建立的模型涵盖了全部的特征）

  缺点：

  • 容易欠拟合，分类精度不高
  • 数据特征有缺失或者特征空间很大时表现效果并不好
• 您还可以看一下 刘建萍老师的人工智能系列课程零基础讲解知识点和实例应用线性回归梯度下降逻辑回归课程中的 讲解机器学中会涉及到的有关数学方面的知识储备有哪些小节, 巩固相关知识点
  

支持向量机其实是一个二分类的模型。
这里有一份数据集你可以看一下
http://archive.ics.uci.edu/ml/datasets/Cervical+cancer+%28Risk+Factors%29
像年龄，烟龄这些都可以作为一个样本的特征来处理
在matlab里有一个台湾的团队做了一个不错的关于svm的包Libsvm，你可以看一下