*********************支援向量機的通俗解釋************************
支援向量機是用來解決分類問題的。
先考慮最簡單的情況，豌豆和公尺粒，用曬子很快可以分開，小顆粒漏下去，大顆粒保留。
用乙個函式來表示就是當直徑d大於某個值d，就判定為豌豆，小於某個值就是公尺粒。
d>d, 豌豆d
但是實際問題沒這麼簡單，考慮的問題不單單是尺寸，乙個花的兩個品種，怎麼分類？
假設決定他們分類的有兩個屬性，花瓣尺寸和顏色。單獨用乙個屬性來分類，像剛才分公尺粒那樣，就不行了。這個時候我們設定兩個值 尺寸x和顏色y.
我們把所有的資料都丟到x-y平面上作為點，按道理如果只有這兩個屬性決定了兩個品種，資料肯定會按兩類聚集在這個二維平面上。
我們只要找到一條直線，把這兩類劃分開來，分類就很容易了，以後遇到乙個資料，就丟進這個平面，看在直線的哪一邊，就是哪一類。
比如x+y-2=0這條直線，我們把資料(x,y)代入，只要認為x+y-2>0的就是a類，x+y-2<0的就是b類。
以此類推，還有三維的，四維的，n維的 屬性的分類，這樣構造的也許就不是直線，而是平面，超平面。
乙個三維的函式分類 ：x+y+z-2=0，這就是個分類的平面了。
有時候，分類的那條線不一定是直線，還有可能是曲線，我們通過某些函式來轉換，就可以轉化成剛才的哪種多維的分類問題，這個就是核函式的思想。
例如：分類的函式是個圓形x^2+y^2-4=0。這個時候令x^2=a; y^2=b,還不就變成了a+b-4=0 這種直線問題了。
這就是支援向量機的思想。
機的意思就是 演算法，機器學習領域裡面常常用「機」這個字表示演算法
支援向量意思就是 資料集種的某些點，位置比較特殊，比如剛才提到的x+y-2=0這條直線，直線上面區域x+y-2>0的全是a類，下面的x+y-2<0的全是b類，我們找這條直線的時候，一般就看聚集在一起的兩類資料，他們各自的最邊緣位置的點，也就是最靠近劃分直線的那幾個點，而其他點對這條直線的最終位置的確定起不了作用，所以我姑且叫這些點叫「支援點」（意思就是有用的點），但是在數學上，沒這種說法，數學裡的點，又可以叫向量，比如二維點(x,y)就是二維向量，三維度的就是三維向量（ x,y,z)。所以 「支援點」改叫「支援向量」。
未完待續
支援向量機（SVM）
簡介 術語 支援向量機 svm 是乙個類分類器，正式的定義是乙個能夠將不同類樣本在樣本空間分隔的超平面。換句話說，給定一些標記 label 好的訓練樣本 監督式學習 svm演算法輸出乙個最優化的分隔超平面。首先我們假定有乙個未知的欲分類的集合，可以進行分割，但是我們不知道分割的函式 超平面，也叫真實...
支援向量機SVM
支援向量機svm support vector machine 是機器學習領域的乙個有監督的學習模型。一 簡介 支援向量機建立在統計學習理論的基礎之上。統計學習理論 statistical learning theory簡稱slt 是一種處理小樣本的統計理論 為研究有限樣本情況下的統計模式識別和更廣...
SVM支援向量機
在機器學習領域，很多時候會用到分類的一些演算法，例如knn，貝葉斯。我們可以把分類的樣本簡單除暴的分為兩種型別。線性可分和非線性可分。可以使用乙個非常簡單的例子來解釋什麼是線性可分，什麼是線性不可分。a 線性可分的2類樣本 b 非線性可分的2類樣 已知乙個線性可分的資料集,其中x表示乙個n維向量，當...