机器学习技法-01-5-Reasons behind Large-Margin Hyperplane

Solving a Particular Standard Problem

举一个特殊的例子

根据上面的限制条件可以得到，

其中w的内积=w1的平方+w2的平方。

需要注意的是，第一点记作x1，第二个点记作x2，第三个点记作x3，这里不要和（x1，x2）搞混了，任意一个点xn的坐标是（x1,x2），hyperplane的式子是w1x1+w2x2+b=0。

那么在这个特殊的例子中，能取到=1吗？

此时得到的g就是最胖的那条线。

support vector machine支持向量机

资料xn分为两种：1.在最胖的hyperplane的边界上，有很重要的意义；2.其他的点，没有作用不用研究。

把这些boundary examples叫做support vector。离这些边界很近的点有很重要的意义。

SVM：找到这些support vectors就找到了最胖的hyperplane。