SVM支持向量机

一 SVM简单介绍

支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。 在机器学习中，支持向量机是与相关的学习算法有关的监督学习模型，可以分析数据、识别模式，用于分类和回归分析。

二 函数间隔与几何间隔

对一个数据点进行分类，当超平面离数据点的“间隔”越大，分类的确信度（confidence）也越大。所以，为了使得分类的确信度尽量高，需要让所选择的超平面能够最大化这个“间隔”值。这个间隔就是下图中的Gap的一半。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-a4dh4d8y-1650986940916)(image/2.png)]

2.1 函数间隔

定义函数间隔为：
γ ^ = y ( w T