1、劃分超平面到其異類的支援向量的距離是相等的。所以，對二分類問題而言，它對兩種分類類別的泛化能力是一致的。如果某一類資料的雜訊小，可以適當的降劃分超平面到該類資料支撐向量的距離，降低其魯棒性（容忍誤差範圍）。反之亦然。
2、函式間隔可以等倍地增加、減少，因此，取 |w
′x+b
|=1 足以表示 距離劃分超平面w′
x+b=
0最近的樣本點所在的方程，也即是支援向量。 換句話說，如果超平面(w
′,b′
) 能夠將訓練樣本正確分類，則一定存在縮放變換 :fw
→w和 gb
→b使得對所有的樣本點，都有下式成立:w′
xi+b
≥1,y
i=+1
w′xi+b≤
1,yi
=−1
3、支援向量機的標準形式：
minw,b
12||
w||2
s.t.yi(
wtxi
+b)≥
1,i=
1,2,
....
,m4、將主問題轉化為對偶問題γ(
λ,μ)
=infx∈
dl(x
,λ,μ
) 之後，對偶函式給出了主問題最優值的下界，基於對偶函式所能獲得的最好的下界是對對偶問題的優化（最大值）。強對偶性成立的條件稱為slater條件（凸優化問題）。
5、kkt條件給出了支援向量所對應的樣本點是位於最大間隔的邊界上的解釋。ai
(yif
(xi)
−1)=
0 說明當ai
不等於0時，其必滿足最大間隔方程。最終模型只於支援向量有關。
6、核技巧是將高維空間的內積運算(ϕ
(xi)
,ϕ(x
j)) 轉化為原始樣本空間的核函式k(
xi,x
j)的運算。
7、對文字資料採用線性核，情況不明時可先採用高斯核。
8、超平面方程f(
x)=w
tx+b
中的引數
b 採用一種更魯棒的演算法：b=
1|s|
∑s∈s
(ys−
∑i∈s
aiyi
xtix
s)s=
相當於把支援向量都選出來，利用超平面方程計算出平均意義下的b .
9、軟間隔支援向量機：允許在部分樣本上出錯。可以防止過擬合。
支援向量機專題 線性支援向量機
原文 當資料線性不可分時，使用硬間隔支援向量機很難得到理想的結果。但是如果資料近似線性可分，可以採用軟間隔支援向量機 線性支援向量機 進行分類。這通常適用於有少量異常樣本的分類，如果使用線性支援向量機，它會盡量使得所有訓練樣本都正確，如下圖所示。顯然這並不是最好的結果，軟間隔支援向量機可以權衡 間隔...
支援向量機
支援向量機 svm 一種專門研究有限樣本 的學習方法。是在統計學習理論基礎之上發展而來的。沒有以傳統的經驗風險最小化原則作為基礎，而是建立在結構風險最小化原理的基礎之上，發展成為一種新型的結構化學習方法。結構風險最小歸納原理 解決了有限樣本或小樣本的情況下獲得具有優異泛化能力的學習機器。包含了學習的...
支援向量機
支援向量 與分離超平面距離最近的樣本點的例項 優點 泛化錯誤率低，計算開銷不大，結果易解釋 缺點 對引數調節和核函式選擇敏感，原始分類器不加修改僅適用於處理二分類問題 適合資料型別 數值型和標稱型資料 每次迴圈中選擇兩個alpha進行優化處理。一旦找到一對合適的alpha，那麼久增大其中乙個同時減小...