SVM向量支持机

1.通俗理解

1. svm：support vector machine
2. 目标：利用超平面将两类数据分割开来，这个超平面就是我们要设计的对象

如何设计？我们设计之后会有间隔，间隔越大分类效果就越好；距离决策边界最近的点我们成为支持向量，如下图正超平面，负超平面和决策超平面

1. 损失因子→软间隔（有一定的容错率）
2. 升维转换(当我们在二维空间无法将数据区分的时候我们可以将数据维度转换到三维空间，在新维度下找到合适的超平面)，但是这需要转换函数。

↓

核技巧，提供高维度向量相似度的测量

2.数学理解

对上图的理解：通过两组式子得出w向量和超平面垂直，和Xm-Xn近似，因此我们可以通过数学公式推导出L的公式，因此求Lmax即就是求Wmin,那接下来就看Wmin怎么求

三步，很枯燥