内容
一、了解SVM
二、深入SVM
三、证明SVM（暂时不懂）
################################################################################
一、了解SVM
1.介绍SVM
支持向量机，因其英文名为support vector machine，故一般简称SVM，通俗来讲，它是一种 二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间 隔最大化，最终可转化为一个凸二次规划问题的求解。支持向量机的学习算法（SMO）是求解凸二次规划的最优算法。
2.分类标准的起源（logistic回归引出SVM）
2.1 logistic函数（sigmod函数）
注：其中g就是logistic函数，sita是线性函数。
2.2 logistic函数的图像
注：当g(f)中f>0,代表有p>0.5的概率是类别A；当g(f)中f<0,代表p<0.5的概率是类别A
2.3 线性分类的例子
在进行分类的时候，遇到一个新的数据点x，将x代入f(x) 中，如果f(x)小于0则将x的类别赋为-1，如果f(x)大于0则将x的类别赋为1。接下来的问题是，如何确定这个超平面呢？从直观上而言，这个超平面应该是最适合分开两类数据的直线。而判定“最适合”的标准就是这条直线离直线两边的数据的间隔最大。所以，得寻找有着最大间隔的超平面。
3.函数间隔和几何间隔（这两个的区别引出SVM目标值即为什么是1/w）
3.1函数间隔
在超平面w*x+b=0确定的情况下，|w*x+b|能够表示点x到距离超平面的远近，而通过观察w*x+b的符号与类标记y的符号是否一致可判断分类是否正确，所以，可以用(y*(w*x+b))的正负性来判定或表示分类的正确性。于此，我们便引出了函数间隔（functional margin）的概念。
定义函数间隔d=y(wx+b)=yf(x)，而超平面(w，b)关于T中所有样本点(xi，yi)的函数间隔最小值（其中，x是特征，y是结果标签，i表示第i个样本），便为超平面(w, b)关于训练数据集T的函数间隔：d=min d(i) i=1,2,3,4,5...n
函数间隔带来的问题：如果成比例的改变w和b（如将它们改成2w和2b），则函数间隔的值f(x)却变成了原来的2倍（虽然此时超平面没有改变），所以只有函数间隔还远远不够。
怎么解决这个问题呢？
我们可以对法向量w加些约束条件，从而引出真正定义点到超平面的距离--几何间隔的概念。
3.2 几何间隔
4.最大间隔（几何）分类器的定义
略（直接参考下链接的就好）。
参考链接：https://blog.csdn.net/v_july_v/article/details/7624837#commentBox
参考链接（解释核函数）：https://blog.csdn.net/u013044310/article/details/82891394?utm_source=blogxgwz7
参考链接（解释SMO算法）：https://blog.csdn.net/luoshixian099/article/details/51227754?utm_source=blogxgwz2
遗留的问题：
1.明白了svm中smo算法计算a1和a2的过程，但是具体怎么选择出的a1和a2还不了解？
2.还有为什么取1？
网友评论