支持向量机SVM(1)

通过看台湾大学林轩田老师机器学习课程，把svm理解过程梳理下来

主要是四步：1，svm介绍  2，svm对偶问题解法 3，svm核函数  4，svm的soft软分类

svm介绍

现在介绍的资料都是线性可分的，svm可以理解为线性的二元分类问题，线性分类的线如何划分使模型更加强壮，而且能容忍更多噪声，就是svm要解决的问题。

要寻找这样的直线：在众多直线中，每个划分方法都会有资料点到直线的最小值，在最小值中寻找一个最大值，就是我们要寻找的直接，即最终目标！

现在已经把问题转化为求解上面的公式！

x变量到超平面的距离可以借助x',x''这两个变量求解

x-x' 向量在w法向量上的投影，就是x到超平面的距离：

现在完全转化为数学问题：可以对上面的数学问题进行优化，进而求解

优化使yn(wTxn+b) =1  这样不影响求解过，大概理解是如果yn(wT xn + b) >1, 就违背了1/||w||求最大值，可能会有更大的

最终，确定了通俗svm的公式，可以用QP二次规划方法求解，也可以用SMO算法，机器学习实战这本书中介绍了：

完结，这就是通俗地介绍了下svm，没有用正规公式。