SVM

1、核机器是最大边缘方法，把模型表示为训练实例的一个子集的影响之和。

2、Support Vector Machine

3、Vapnik原则：不要在解决问题之前把解决一个更复杂的问题作为第一步。

4、支持向量：线性模型的参数（权重向量）可以用训练集的一个子集表示，称为~；

5、核函数：数据实例之间相似性的应用专用度量。

非线性基函数：把输入映射到另一个空间，在那个空间里课找到线性（光滑的）解。核函数思想相同。

6、基于核的算法可以形式化的表示成凸优化问题，并且存在单个最优解。

超参数：任何方法都需要，使得算法与当前数据相匹配。

二、最佳分离超平面

为了更好的泛化，不仅希望实例在超平面的正确一侧，而且还希望它们离超平面有一定距离。超平面到它两侧最近的距离称作边缘。

来源：《机器学习导论》