20170106 学习支持向量机

这是一个坑，必须要填上

就像我在实验室的电脑上面笔记里记录的一样，支持向量机的解决方案就是寻找样例中满足最大边界距离的超平面。即获得

WX+b=0

使得超平面到两侧最近距离之和最大（因为大的margin的容错率高，适用情况更加广泛）。
根据wiki的表述：
There are many hyperplanes that might classify the data. One reasonable choice as the best hyperplane is the one that represents the largest separation, or margin, between the two classes. So we choose the hyperplane so that the distance from it to the nearest data point on each side is maximized.
有很多的超平面都能够实现对数据的分类，但是一个最佳超平面的合理选择是两类之间具有最大分隔度或者说最大距离的超平面。所以我们选择从超平面到两侧数据集中的最近距离具有最大值的超平面。(这句话的意思是到两边的距离都要最大化，因此超平面在这两个边界之间)
a good separation is achieved by the hyperplane that has the largest distance to the nearest training-data point of any class (so-called functional margin)
一种最佳的超平面就是到任一类训练数据中最近点的距离都能达到最大化。
其实就是超平面到所有类的最小距离最大化的

W和b

超平面的作用同时也就指出了支持向量机的局限性：他是一种二分的分类器，即给出是否的结果。想要做多分类问题，就需要多支持向量机进行扩展。
首先是要熟悉个概念：什么是支持向量和支持向量机。
支持向量机其实就是一种分类器，那么，问题就指向了什么是支持向量的问题。