SVM系列（一）geometric margin 的推导问题

最近一段时间一直在看Andrew Ng的机器学习课程，看到SVM中的geometric margin 的推导过程的时候比较迷茫，下面是Ng的原话：

The decision boundary corresponding to $\left(\omega ,b\right)$ is shown, along with the vector $\omega $. Note that $\omega $ is orthogonal (at $90^{\circ }$ ) to the separating hyperplane. (You should convince yourself that this must be the case.)

他说这个$\omega $一定是垂直于超平面的，我之前想了好久，到最后终于想明白了。

下面是他讲义中的原图：

有如下公式，
$$\omega ={\left({\theta }_1,{\theta }_2\right)}^T，b={\theta }_0$$那么超平面(${\omega }^{T}x+b=0$)变为$${\theta }_1{x}_1+{\theta }_2{x}_2+{\theta }_0=0$$做一下变形就成为了如下公式：$$x_2=-\frac{{\theta }_1}{{\theta }_2}{x}_1-\frac{{\theta }_0}{{\theta }_2}$$而$\omega $ 的斜率为$\frac{{\theta }_2}{{\theta }_1}$, 因而$\omega $和超平面的斜率相乘为-1,即$\omega $ 和超平面垂直了。