深度学习第三次笔记—SVM

1.SVM介绍

        Support Vector Machine (SVM) 是一个监督学习算法，既可以用于分类（主要）也可以用于回归问题。SVM算法中，我们将数据绘制在n维空间中（n代表数据的特征数），然后查找可以将数据分成两类的超平面。支持向量指的是观察的样本在n为空间中的坐标，SVM是将样本分成两类的最佳超平面。

        SVM与KNN相似，都是划分一定的区域来判定目标的类别，不过与其不相同的是，SVM分类问题是通过找决策边界将数据进行划分开，而KNN分类问题是找离哪些点较近，就归哪一类。

         SVM与KNN的区别在于，SVM在更高维的情况下解决问题，当平面上当点混合在一起的话，SVM可以在三维层面甚至更高层维度解决问题，这是KNN做不到的。

2.SVM原理

        支持向量积

                （1）找到支持向量（正常情况下是越小越好）

                （2）选出决策边界（正常情况下是越小越好）

                （3）如何找到支持向量