【机器学习实录】——支持向量机

间隔与支持向量

首先回忆一下上节课中学习的感知机模型

从几何角度，对于线性可分数据集，感知机模型是寻找能够划分的超平面即可，因此它存在多个最优解

但是支持向量机要求找到距离正负样本都最远的超平面，与感知机相比，解是唯一的，不偏不倚，鲁棒性最好，泛化性能更好。

解释一下为什么支持向量机的泛化性能更好，

比如，我们新来一个样本，如果它更加靠近正样本，在支持向量机的解中，我们可以将其划分到正样本中（因为其超平面距离正负样本的距离都是最远的），但如果是感知机模型，有可能会被划分到负样本中

补充知识

超平面

1. 为什么超平面方程不唯一？？？

   因为我们的法向量w和位移项b可以缩放啊，同时放大或者缩小\lambda （正数）倍，对应的超平面还是一样的。

2. 法向量指向的空间为正空间（在正空间中的点代入超平面方程是>0的），下面为负空间

如何确定这个中立的超平面呢？

我们找到在正例中