支持向量机 Support Vector Machines (SVM)

一 . 定义

支持向量机是一种基于统计学习理论的模式识别方法。

支持向量机的关键在于核函数。低维空间向量集通产难于划分，解决方法是将它们映射到高维空间，只要选用适当的核函数，就可以得到高维空间的分类函数。在SVM中，采用不同的核函数将导致不同的SVM算法。

二 . 栗子

故事开始：一个勇士叫SVM, 经过山山水水终于发现了一个宝藏，但是宝藏却由一个精灵守护者，勇士需要解决精灵提出的问题，

1. 问题“ 桌子上有个两种颜色的球若干个，使用宝剑将它们分开 ”

2. 这里桌子是二维空间，宝剑是二维空间，所以勇士找到合适的位置，将宝剑放置，把两种颜色的球分开了

3. 精灵当然要增加问题の难度，又放置了一颗红球，

4. 这时候，宝剑的位置显得有点尴尬了，于是勇士 SVM 调整了宝剑的位置，

让宝剑距离两种颜色的球尽量都远， 又一次把不同颜色的球给分开了

--------------------------------------------------------------------------------------------------------------------->

5. 然后精灵继续增加难度系数，把两种颜色的球放置如下

6. 这就比较尴尬了，二维的宝剑没有可能在二维的桌子上把这两种球分开了，于是勇士 SVM 只能掀桌子了 ,

只见勇士在掀桌子的同时，用内力调整了掀桌子时候每个球被弹起的高度，然后挥剑削去，剑芒成冰，

青绿色冰片将两种颜色的球成功分开，LOOK ->

------------------------------------------------------------------------------------------------------------------------------------ >

7.  后人为了方便八卦，把这些球称为“data”, 把宝剑称为“classifier”，

把宝剑离两种球的距离调整称为“optimization”, 把掀桌子称为“kernelling”，

把宝剑生成的冰片称为“hyperplane”.

三. 你还费解吗 

参考：

https://www.reddit.com/r/MachineLearning/comments/15zrpp/please_explain_support_vector_machines_svm_like_i/