SVM简述

1. SVM 原理
   SVM 是一种二类分类模型。它的基本思想是在特征空间
   中寻找间隔最大的分离超平面使数据得到高效的二分类，
   具体来讲，有三种情况（不加核函数的话就是个线性模型，
   加了之后才会升级为一个非线性模型）：
   当训练样本线性可分时，通过硬间隔最大化，学习一个线性分类器，即线性可分支持向量机；
   当训练数据近似线性可分时，引入松弛变量，通过软间隔最大化，学习一个线性分类器，
   即线性支持向量机；
   当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。

2. SVM 为什么采用间隔最大化（与感知机的区别）：
   当训练数据线性可分时，存在无穷个分离超平面可以将两类数据正确分开。
   感知机利用误分类最小策略，求得分离超平面，不过此时的解有无穷多个。
   线性可分支持向量机利用间隔最大化求得最优分离超平面，这时，解是唯一的。
   另一方面，此时的分隔超平面所产生的分类结果是最鲁棒的，对未知实例的泛化能力最强。

3. 如何选择核函数：
   当特征维数 d 超过样本数 m 时 (文本分类问题通常是这种情况), 使用线性核;
   当特征维数 d 比较小. 样本数 m 中等时, 使用RBF核;
   当特征维数 d 比较小. 样本数 m 特别大时, 支持向量机性能通常不如深度神经网络

4.常见的核函数
LIBSVM中提供的核函数
线性核函数
多项式核函数
RBF核函数（高斯核函数）
sigmoid核函数