支持向量机

参考：https://amazingbob.github.io/2018/05/07/%E6%94%AF%E6%92%91%E7%9F%A2%E9%87%8F%E6%9C%BA/
https://blog.csdn.net/han_xiaoyang/article/details/52683653
在机器学习中，支持向量机（英语：support vector machine，常简称为SVM，又名支持向量网络）是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。
除了进行线性分类之外，SVM还可以使用所谓的核技巧有效地进行非线性分类，将其输入隐式映射到高维特征空间中。
1.函数间隔：
在分离超平面固定为的时候，表示点到超平面的距离。通过观察和是否同号，我们判断分类是否正确。这里我们引入函数间隔的概念，定义函数间隔为：