支持向量机概述

支持向量机 Support Vector MachineSVM ) 是一类按监督学习 ( supervisedlearning)方式对数据进行二元分类的广义线性分类器 (generalized linear classifier) ，其决策边界是对学习样本求解的最大边距超亚面 (maximum-margin hyperplane)与逻辑回归和神经网终相比，支持向量机，在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式

硬间隔、软间隔和非线性 SVM

假如数据是完全的线性可分的，那么学习到的模型可以称为硬间隔支持向量机。换个说法，硬间隔指的就是完全分类准确，不能存在分类错误的情况。软间隔，就是允许一定量的样本分类错误。

算法思想

找到集合边缘上的若工数据 (称为支持向量 (Support Vector) )用这些点找出一个平面(称为决策面)，使得支持向量到该平面的距离最大

超平面方程：
$$\mathbf{w}\cdot \mathbf{x}+b=0$$
间隔（Margin）：
$$\text{Margin}=\frac{2}{\Vert \mathbf{w}\Vert }$$

决策函数：
$$(\mathbf{w}\cdot \mathbf{x}+b)/||w||>=d,y=1$$
$$(\mathbf{w}\cdot \mathbf{x}+b)/||w||>=d,y=-1$$

如图所示，根据支持向量的定义我们知道，支持向量到超平面的距离为 d，其他点到超平面的距离大于 d

至此可以得到最大间隔超平面的上下两个超平面:
$$d=|\mathbf{w}\cdot \mathbf{x}+b|/||w||$$