SVM中支持向量的通俗解释

SVM中的支持向量，最开始接触的时候没想明白为什么HingeLoss为0的点不考虑，明明这些才是足够优秀的点，后来想清楚，正是因为人家足够优秀，所以没有拿来划分的意义，要的就是那些离分界线最近的点。支持向量就是离分类超平面最近的样本点，因为每一个样本点都是一个多维的向量，向量的每一个维度都是这个样本点的一个特征。

后来看到一个更通俗的解释，来自百度回答：支持向量意思就是 数据集种的某些点，位置比较特殊，比如刚才提到的x+y-2=0这条直线，直线上面区域x+y-2>0的全是A类，下面的x+y-2<0的全是B类，我们找这条直线的时候，一般就看聚集在一起的两类数据，他们各自的最边缘位置的点，也就是最靠近划分直线的那几个点，而其他点对这条直线的最终位置的确定起不了作用，所以我姑且叫这些点叫“支持点”（意思就是有用的点），但是在数学上，没这种说法，数学里的点，又可以叫向量，比如二维点(x,y)就是二维向量，三维度的就是三维向量（ x,y,z)。所以 “支持点”改叫“支持向量”，听起来比较专业，NB。

支持向量机请通俗介绍 高中文化