以此促使原本的低维空间全部转变成高位空间，从而使得原来的
f龙源期刊网httpwwwqika
comc
数据全部能可分。这种方法的应用范围同样有限，因此在实际操作的时候，通常需要将这两种方法结合在一起共同使用。
二、人工神经网络
所谓人工神经网络，也就是ANN，其主要是指对于人体大脑实际运行的方式进行学习，通常也会被简称为神经网络。这种方式与数学概念中的统计学十分相似2。
一般而言，此类模型主要具备三方面优势。其一，其能够自主完成学习任务。例如，人工神经网络通过人脸识别的方式，可以将无数个脸部信息输入到模型机器之中，此时网络本身便能够有效掌握这一方面的技能。通常情况下，此类技能在预测工作中有着非常好的应用效果，以此完成灾难预测以及风险预测。其二，其本身具有联想存储的效果，主要依靠内部的反馈系统，以此完成信息的获取与分析，进而实现信息反馈。其三，能够迅速找出具体问题所在，并提出有效的处理措施。如果采取人为的方式，在寻找最佳方案的时候，往往需要将所有方式全部都尝试一次，显然十分浪费时间。然而，计算机模型具有很强运能力行和计算速度，促使原本十分复杂的内容逐步简单化，进而提升工作效率3。
相比于支持向量机，人工神经网络本身具有自己独有的优势。主要体现在对于非线性问题的处理方面，其效果更加，且拥有良好的适应能力，以此对早期模式在模拟、识别以及信息处理方面的缺陷，扩大具体的应用范围。如果将神经网络和其他多种不同的模型结合在一起，可以有效提升信息处理的效率，促使其向人工智能层们的发展更进一步。现如今信息技术的发展速度越来越快，人工神经网络也找到自身的发展方向，其实际运行的模式越来越人性化。例如，近些年出现的模糊系统、遗传算法以及进化机制等，这些都是未来继续研究的主要方向。一旦有所突破，数据分析的效率将会进一步加快。但是，人工神经网络同样有着自身缺陷，因此理应将其和其他技术形式结合在一起，提取其内部净化，将糟粕全部提出，进而提升具体应用的效果。
三、机器学习模型的分类
在大数据背景下，机器学习模型的种类有很多。目前来看，最为常见的便是支持向量机以及人工神经网络。从算法的角度思考，模型通常可以分成三种。其一是监督学习，主要是依靠计算机从大数据之中将相关信息内容全部提取出来，并对其具体结果展开验证。这种方式能够有效增强模型的学习能力，从而使其更好地完成后续的工作。其二是无监督学习，主要是指计算机本身基于r