支持向量机(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其决策边界]对学习样本求解的最大边距超平面(maximum-margin hyperplane)
通俗地说,SVM在众多实例中寻找一个最优的决策边界,这个边界上的实例叫做支持向量,它们“支持”(支撑)着超平面,所以它叫支持向量机。
线性可分
在二维空间上,两类点被一条线分隔开称为线性可分。
在n维空间中,要分开两个线性可分的点集合,我们需要找到一个超平面(Hyper Plane)。
最大间隔超平面
为了使这个超平面更具有鲁棒性,我们需要寻找到一个最大间隔把两类点分开的超平面,称为最大间隔超平面。
该超平面到两类点的最近点的距离最大,且两类点分布在超平面的两侧。
支持向量
样本中距离超平面最近的一些点,这些点叫做支持向量
SVM最优化问题
SVM 想要的就是找到各类样本点到超平面的距离最远,也就是找到最大间隔超平面。任意超平面可以用下面这个线性方程来描述:
w T x + b = 0 w^{T} x+b=0 wTx+b=0
n维空间中存在点
( x 1 , x 2 , . . . x n ) (x_1,x_2,...x_n) (x