svm支持向量机算法的详细推导过程

我将从以下几个角度进行讲解：首先对一下简单的概念进行介绍，然后对线性svm进行详细推导。
如果你对以下的概念均知晓，可以直接跳过哟

概念介绍

1.svm的主要思想

从线性可分模式分类角度看，SVM的主要思想是：建立一个最优决策超平面，使得该平面两侧距平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力。

2.线性可分数据的二值分类机理

线性可分数据的二值分类机理：系统随机产生一个超平面并移动它，直到训练集中属于不同类别的样本点正好位于该超平面的两侧。显然，这种机理能够解决线性分类问题，但不能够保证产生的超平面是最优的。
支持向量机建立的分类超平面能够在保证分类精度的同时，使超平面两侧的空白区域最大化，从而实
现对线性可分问题的最优分类。

3.支持向量及支持向量机

“支持向量”：则是指训练集中的某些训练点,这些点最靠近分类决策面，是最难分类的数据点 。
SVM:它是一种有监督（有导师）学习方法，即已知训练点的类别，求训练点和类别之间的对应关系，以便将训练集按照类别分开，或者是预测新的训练点所对应的类别
支持向量机（Support Vector Machine，SVM）中的“机（machine，机器）”： 实际上是