支持向量机（jī）算法和软（ruǎn）件ChemSVM是（shì）一款教学软件（jiàn），它是（shì）支持向量机（jī）算法和软件，可以解决（jué）小样本难题。体积小，但功能（néng）强（qiáng）大。界面非常清爽，简单易操（cāo）作。
支持向量机算法和软件（jiàn）ChemSVM由于（yú）计算机技术的发展，机器学习(包括线性和非线（xiàn）性回归、人工神经网络、模式（shì）识别算法等)已成为处理化学化工数据，总（zǒng）结经验规律，据以预报未知或控制生产（chǎn）过程的常规手段。但是，传统的机器（qì）学习算法都以经典（diǎn）统计数学的渐（jiàn）近理论为（wéi）依据。该理论的大数定理（lǐ）规定:统计规律只有在已知样本数无限多时才显露出来。但化学化工（gōng）实际工作中已知样本总是有限的（de）。忽视这一矛盾是造成实际计算中过拟合（hé）弊病的重（chóng）要原因。针对经（jīng）典统计数学这一弱点（diǎn），Vapnik学派（pài）提出了“统计学习（xí）理论”和（hé）“支持（chí）向量机算法”。新（xīn）算法既能处理非线性问题，又能抑制传统算法(如（rú）人工神经网（wǎng）络等)常遇到的过拟合（hé）弊病。本（běn）专刊中的论文系列（liè）工作表明（míng）:支持（chí）向量机算法在（zài）分析化学的多变量校正、数据处（chù）理、商品检验、相（xiàng）图和新（xīn）化合物的计算机预报、新（xīn）材料制备的实验（yàn）设计、环境污染的建模和预报，以及分（fèn）子设（shè）计（jì），药物设（shè）计等领域的应用（yòng）都有良好效（xiào）果。在多数情（qíng）况（kuàng）下所建的（de）数学模型（xíng）较（jiào）传统算法的（de）结果有更好的预报正确率。这一新算法将（jiāng）会（huì）成（chéng）为化学、化工领域数据（jù）处理广泛应用的新计（jì）算工具。
1、不需要很多样（yàng）本，不需要有（yǒu）很多样（yàng）本并（bìng）不意味着训练样本（běn）的绝对量（liàng）很少，而是说相对于（yú）其他训练分类算法比起来，同样的问（wèn）题复杂度下，SVM需求的样本相（xiàng）对（duì）是（shì）较少的。并且由于SVM引入了核函数（shù），所以对于高维的样本，SVM也能轻松应对。
2、结构风险最小。这种风险是指（zhǐ）分类器（qì）对问（wèn）题真实模（mó）型的逼近与问题真（zhēn）实解之间（jiān）的（de）累积误差。
3、非线性，是指SVM擅（shàn）长应付样本数据线性不可分的情况，主要（yào）通过松弛变量（也叫惩罚变量）和核函（hán）数技术来实现（xiàn），这一部分也（yě）正是SVM的精髓（suǐ）所在。
Vladimir N.Vapnik等提出的统计学习（xí）理（lǐ）论（lùn）(statistical learning theory，简称（chēng）SLT)和（hé）支持向量（liàng）机(support vector machine，简称SVM)算法已取得令人鼓舞的研究成果（guǒ）。本文旨（zhǐ）在对这一新（xīn）理论和（hé）新算法的原理作一介绍，并展望这一计算机（jī）学（xué）界的新（xīn）成果在化学（xué）化工领域的应（yīng）用前景。
