机器学习（十二）学习SVM支持向量机过程中的引申

本文由 @lonelyrains 出品，转载请注明出处。 
文章链接： http://blog.csdn.net/lonelyrains/article/details/49385505

        有时候感觉很奇怪，在不明白某些东西的时候，边学反而可能有新的想法（头脑风暴）；如果前前后后 感觉自己全都懂了，反而做不出什么有开创性意义的事情出来。也许有的想法最终被证实然并卵，甚至很可笑，那也无伤大雅。

        不知道这种感觉可不可以用计算机来表达。

        对于向量机的学习，也有这种类似的感觉。下面就向量机给出个人认为可能的引申。

        看了一些介绍svm的文章（july、Rachel Zhang）、视频（Andrew Ng），仍然不是很明白。

向量机的三大步：

        1、最大间隔分类器

        2、线性不可分到线性可分

        3、松弛变量、核函数

        虽然现在仍不明白向量机的具体原理，但是字面上明白最大间隔分类器的意思。所以假设有一种推广：将原样本映射到多种维度，分别求解最大间隔分类，然后试图找在不同维度这些最大间隔分类值得进一步分析的地方，然后统一到一种形式，以达到多维分类最佳。再有新样本时，就可以从多维度判断最优分类了。