本文探讨了线性支持向量机的概念，强调了如何通过最大间隔选择最优超平面。在 PLA 中，虽然每次选择是随机的，但从 VC 维角度看，不同超平面并无优劣之分。文章提出，理想的超平面应远离所有训练样本点，以确保即使存在测量误差，测试数据也能得到正确的预测。此外，引入了 fat hyperplane 和 largest-margin separating hyperplane 的概念，后者需要同时完美分离所有点并具有最大间隔。
线性支持向量机
PLA在之前的课程中很难对每一条hyperplane进行具体的优劣比较，是借助dichotomy将无限的问题转换成了有限的问题。
那么到底哪一条线比较好呢？
PLA? 每一次的选择都是随机的，VC bound的角度来说，下面的三种情况并没有区别。
想象已经有了原始资料xn，就是被hyperplane完美分开的那些点，测试的时候拿到和xn很相近的数据（因为总会存在一些测量错误）x约等于xn。x是测试资料，xn是训练资料。
最好的预测结果：和训练资料相近的测试资料预测的结果是相同的。
也就是在训练集数据周围的灰色区域内的测试数据，也能得到和训练集一样的预测结果。
1.xn与hyperplane距离比较远时，就算测试资料有很大的测量误差也能得到和训练资料相同的结果；
2.xn与hyperplane距离比较近时，测试资料稍微有一点测量误差，就会被划分到对立的区域中去。
结论：hyperplane要离每一个xn越远越好。
除了刚才的距离来判断是否稳健，也可以使用fat hyperplane来衡量！
fat hyperplane：hyperplane到离得最近的xn的灰色区域，越宽越稳健。
largest-margin separating hyperplane需要满足两点：
1.找到的hyperplane必须可以完美地把所有的点都分开；
2.largest-margin
hyperplane必须在“+1”和“-1”之间的垂直平分线，也就是中垂线。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
