《机器学习》学习笔记（三）：支持向量机（SVM）

    MOOC上的《机器学习》课程已经更新完毕了，通过这一系列的课程，使我对机器学习有了一定的了解。这门课真的很精彩，在此再次感谢Andrew Ng教授的付出。

    本篇博客将谈一下我对支持向量机（SVM）的理解，相比于逻辑回归，支持向量机是一种更强大的二类分类模型，并且有着广泛的应用。

    本文多处公式都将借用Andrew Ng教授授课的PPT，并参考李航博士的《统计学习方法》一书。

    转载请注明出处：http://blog.csdn.net/u010278305

    支持向量机（SVM）是一种二类分类模型，它能使分类间隔最大化，并且还包括核技巧，这些特点都使它成为一个强大的分类器。本文在叙述的过程中，主要给出支持向量机（SVM）的思路，并从工程的角度给出使用方法，如果你对背后的数学原理感兴趣，请自行查阅相关资料，文中如有理解不当的地方，欢迎批评指正。

   支持向量机可以从逻辑回归引申得来，对于逻辑回归，有下图：

                                             

逻辑回归利用误分类最小的策略求得分离超平面，不过这时的解是有无穷多个