关于SVM（support vector machine）----支持向量机的一个故事

一、预告篇：

　　很久很久以前，有个SVM， 然后，……………………被deep learning 杀死了……………………………………

 

 .

 

 

 

 

完结……撒花

 

 

 

 

 

 

 

二、正式篇

　　好吧，关于支持向量机有一个故事 ，故事是这样子的：

在很久以前的情人节，大侠要去救他的爱人，但魔鬼和他玩了一个游戏。

魔鬼在桌子上似乎有规律放了两种颜色的球，说：“你用一根棍分开它们？要求：尽量在放更多球之后，仍然适用。”

<img src="https://i-blog.csdnimg.cn/blog_migrate/59b9539a156486209b37f8c1bbd77e79.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

于是大侠这样放，干的不错？

<img src="https://i-blog.csdnimg.cn/blog_migrate/14117f1de33bf3a44e51b943f00f4bc6.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

然后魔鬼，又在桌上放了更多的球，似乎有一个球站错了阵营。

<img src="https://i-blog.csdnimg.cn/blog_migrate/4b1fa1121d82ec284c7255912414042f.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

SVM就是试图把棍放在最佳位置，好让在棍的两边有尽可能大的间隙。

<img src="https://i-blog.csdnimg.cn/blog_migrate/9792bd7f9ddda4c152ae8c969d989736.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

现在即使魔鬼放了更多的球，棍仍然是一个好的分界线。

<img src="https://i-blog.csdnimg.cn/blog_migrate/f529c3cec0e36b2e269bdd844784489d.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

然后，在SVM 工具箱中有另一个更加重要的 trick。 魔鬼看到大侠已经学会了一个trick，于是魔鬼给了大侠一个新的挑战。

<img src="https://i-blog.csdnimg.cn/blog_migrate/b0c27cb2c1951f4607d3d57bf496790b.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

现在，大侠没有棍可以很好帮他分开两种球了，现在怎么办呢？当然像所有武侠片中一样大侠桌子一拍，球飞到空中。然后，凭借大侠的轻功，大侠抓起一张纸，插到了两种球的中间。

<img src="https://i-blog.csdnimg.cn/blog_migrate/a7874f55f7e82aff69cc2ad692211865.png" data-rawwidth="300" data-rawheight="167" class="content_image" width="300">

现在，从魔鬼的角度看这些球，这些球看起来像是被一条曲线分开了。

<img src="https://i-blog.csdnimg.cn/blog_migrate/178f03d4393c703f2d09cd58d33aa5e6.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

再之后，无聊的大人们，把这些球叫做数据 「data」，把棍子 叫做分类器 「classifier」, 最大间隙trick 叫做最优化「optimization」， 拍桌子叫做核「kernelling」, 那张纸叫做超平面「hyperplane」。

 

 

文章来源：

0、http://www.cnblogs.com/sunbinbin/p/5827449.html

SVM其他链接：

1、http://www.jianshu.com/p/4e7103978c92

         -- SVM通俗理解

2、http://www.dataguru.cn/forum.php?mod=viewthread&tid=371987

       --核函数相关，那个会转的图不错

3、http://blog.csdn.net/v_july_v/article/details/7624837

         --SVM大全，从入门到放弃

4、http://www.csie.ntu.edu.tw/~cjlin/libsvm/

       --一个很不错的svm网站，内部有个黑框，可以自行调整参数C，ε，对线性核RBF核会有个直观感受

5、http://blog.csdn.net/abcjennifer/article/details/7849812

      --SVM的细致推导，源自一个网易公开课，

6、https://en.wikipedia.org/wiki/Support_vector_machine

     --wiki百科--自由的百科全书

7、http://open.163.com/movie/2008/1/C/6/M6SGF6VB4_M6SGJVMC6.html

     ---Andrew Ng，机器学习大神

       
              

转载于:https://www.cnblogs.com/hezhiyao/p/7577747.html