SVM 直观和通俗理解。

最近研究SVM 结合了多篇文章，总结如下。

     SVM 本质是一个支持向量的最大间隔分类器。之前的线型分类器，一般是定义所有的点到分类直线距离总和最大。而SVM本质是支持向量距离和最大，这样就排除异常点的影响，计算量也比较小。

https://blog.csdn.net/shuimanting520/article/details/45459803

首先参考的是下面的文章，这篇文章比较数学，讲的也比较明白，大致是。

     SVM它本质上即是一个分类方法，用w^T+b定义分类函数，于是求w、b，为寻最大间隔，引出1/2||w||^2，继而引入拉格朗日因子，化为对拉格朗日乘子a的求解（求解过程中会涉及到一系列最优化或凸二次规划等问题），如此，求w.b与求a等价，而a的求解可以用一种快速学习算法SMO，至于核函数，是为处理非线性情况，若直接映射到高维计算恐维度爆炸，故在低维计算，等效高维表现。

     核函数能简化映射空间中的内积运算——刚好“碰巧”的是，在我们的 SVM 里需要计算的地方数据向量总是以内积的形式出现的。

核函数为什么可以简化内积运算内，原因如下。

 

核函数。

        核函数本质是一个相似函数。如下。x和L越相近f1=1 ，越远 f1=0

对比下面的定义。计算核函数很类似计算，x和y的内积。而内积就是 x和y在高维空间中的表现。