关于SVM的一点个人理解

网上关于SVM的资料很多，但是我还是想简单说下自己的理解，希望能为各位初学者做一个参考：

1. 通俗的说，SVM的原理就是对于N维数据，寻找一个N-1维的超平面，将这N维数据区别开来。
2. 关于这个超平面，有个学问，如何找到这个超平面呢？就是使得离超平面比较近的点（所谓的支持向量）之间的距离最大，这样的分类效果才好。
3. 如何使得支持向量之间的距离最大化呢？经过一系列的推倒，得到一个二次规划问题（凸优化问题），关于凸优化问题的解法很多，比较成熟。如smo
4. 在线性可分的情况下，有一些错误分类的点怎么办呢？引入惩罚函数即可
5. 如果数据不是线性可分的呢，怎么办？将数据映射到高维（例如选择高斯核函数），这样就可以线性可分了，比如我要区分开两本书，光从书名与内容这两个“维度”上，他们完全相同，但是如果再加上购买日期、购买价格等其他维，这样就可以将两本书区分开了（世界上没有完全相同的两片树叶）
6. 关于核函数的选择，一般都是尝试法，不过根据经验，核函数对于分类效果的好坏影响不是很大，反正重点好像是点选择惩罚系数C上。

总之，SVM是一个很完美的分类器，也是一个很难被打败的分类器，即使现在deep learning这么火，谢谢大家，就到这里了