基于支持向量机（SVM）实现人脸识别——详细代码

一、什么是支持向量机

支持向量机(support vector machines, SVM)是一种二分类模型。它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机（建议先学感知机，感知机是支持向量机的基础。）；支持向量机还包括核技巧，这使它成为实质上的非线性分类器。学习支持向量机的求解算法，需要了解一点最优化的知识（拉格朗日乘子法，KKT条件）。 一般来说，对于线性可分的数据，感知机算法求得的分离超平面不是唯一的，而支持向量机就是要找一个最优的超平面。

二、支持向量机的原理是什么

支持向量机既可以解决线性问题又可以解决非线性问题，既可以用于分类，又可以用于回归的经典算法。它的基本模型是在特征空间中寻找间隔最大化的分离超平面，使距离最近的样本点到该超平面的距离尽可能的远。（间隔最大使它有别于感知机）

1.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Hard-Margin SVM；

2.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Soft-Margin SVM；

3.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。

三、支持向量机算法的优缺点

（一）SVM算法的优点

1.解决高维特征的分类回归问题很有效,在特征维度大于样本数时依然有很好的效果；