svm算法（SupportVectorMachines,SVM）由Vapnik在1995年明確指出，手風(fēng)琴箱用于解決二分類機(jī)器視覺(jué)難題。它依據(jù)尋找可用空間向量來(lái)確立戰(zhàn)略決策面，并使分類間隔比較大。SVM方式 給與了解決“維數(shù)災(zāi)難”難題的方式 。SVM方式 非常好的理論基礎(chǔ)和它在一些領(lǐng)域的應(yīng)用中展現(xiàn)出來(lái)的優(yōu)異的普遍性能，盡管SVM算法的性能在許多現(xiàn)實(shí)狀況的應(yīng)用中得到了驗(yàn)證，但是風(fēng)琴箱公司算法在預(yù)計(jì)上存在著一些難題，辦公設(shè)備包括訓(xùn)練算法速率較慢，算法復(fù)雜而難以實(shí)現(xiàn)以及檢測(cè)階段算法復(fù)雜性大這種。樸素貝葉斯(NaiveBayes，NB)概率分類器是深度神經(jīng)網(wǎng)絡(luò)中很普遍的一種方式 ，其關(guān)鍵意識(shí)是應(yīng)用英文單詞和分類的聯(lián)合概率來(lái)很有可能得出文本文件的分類概率。

    貝葉斯公式：P(C|X)*P(X)=P(X|C)*P(C)

    引流矩陣的特征值：X=(x1,x2,x3…)C={C1,C2,……}

    在這其中P(C)是每一個(gè)種類的先驗(yàn)概率，即，風(fēng)琴包大數(shù)據(jù)技術(shù)上每一個(gè)分類所占總網(wǎng)頁(yè)頁(yè)面的占有率

    P(X|C)：條件概率，說(shuō)明在種類為C的訓(xùn)練融合中，X的分散情況。

    P(X)：每一個(gè)引流矩陣的特征值的遍布，由于引流矩陣的特征值的分布范圍是隨后的，因而P(X)同樣.