pcl把3dmesh 映射成2维_SVM与SVR（2）——SVM、SVM柔性边界和核函数

* 以下内容是在学习过程中的一些笔记，难免会有错误和纰漏的地方。如果造成任何困扰，很抱歉。*

限于篇幅过长，分为三个部分：

1.SVM与SVR（1）——KKT条件和Lagrange对偶函数g

2.SVM与SVR（2）——SVM、SVM柔性边界和核函数

3.SVM与SVR（3）——SVR和SVR、SVM的support vector对比

---

开始正文。

2.1 SVM（支持向量机， Support Vector Machines）

2.11 超平面（Hyperplane）

回到第一篇最开始给出的第一个例子（例1）：

在如上图的二维空间里，有两类不同个体（y=0和y=1），我们方便讨论就说C0类（y=0）和C1类（y=1）。。很明显，在“中间”画一条直线l，就可以判断一个样本的所属类别（直线l上方为C1，直线下方为C0）。

那么如果在三维空间里呢？可以找到z=0（或z=0.25）的一个平面，把C0和C1区分出来：位于z=0平面上方为C1，位于z=0平面下方为C2。

更一般地，在n维线性空间，我们尝试找到一个超平面（Hyperplane）。有了这个超平面，我们就可以判断某个样本属于C0还是C1了。在二维空间里面，超平面就是一条线；在三维空间里，超平面就是一个面；...；在n维线性空间里，超平面应该是（n-1）维度的。

我们设超平面的表达式为

。其中，

和

为n*1维列向量。

即，我们在意的是

，其中

表示判断符号函数。

2.12 几何间隔（Geometric Margin）

我们现在已经确定要找一个超平面（Hyperplane）。再回到最初的例1：会发现，直线l和直线2在这个图中都可以作为我们想到的直线，如果只是单纯看起来区分C0和C1。或者说，这个例子中，其实能找出来无数条直线。那这无数条直线中，有没有所谓的好坏呢？如果有好坏，怎么样找到那条最好的？

这个好