svm是一種二分類模型，是一種在特徵空間中尋找間隔最大化的分離超平面的線性分類器。
利用間隔最大化求得的最優分離超平面是唯一的。分離超平面產生的分類結果是最魯棒的，泛化能力最強。(採用其他策略可能得到的分類面有無數個，無法判斷哪乙個最優)
函式間隔：樣本點到超平面的函式間隔為y*(w*x + b)，可以用來表示分類**的正確性及確信度。
幾何間隔：為了防止函式間隔隨超引數的等比例變化，對法向量w進行約束，即函式間隔除以w的l2範數，為y*(w*x + b)/||w||2。
點到超平面的距離為：(w*x + b) / ||w||2
當樣本在原始空間線性不可分時，可將樣本從原始空間對映到乙個更高維的特徵空間，使得樣本在這個特徵空間內線性可分。核函式可以實現這種對映。
**常見的核函式：**rbf徑向基函式核（高斯核函式是rbf的特例），多項式核函式，線性核函式，sigmod核函式。
對偶問題往往更容易求解。同時更方便的講約束條件與目標函式融合起來方便優化。
優點：
缺點：
機器學習 SVM
svm 支援向量機是個二分類模型。給定給乙個包含正例和反例的樣本集合，svm的目的是尋找乙個超平面來對樣本根據正例和反例進行分割。保證最大間隔，間隔最大可以有效避免在分類面上的樣本的誤判率。網上也是對其推崇備至，認為不管什麼任務，先跑跑svm和rf。對於超平面的求取，是乙個凸二次規劃問題，牽扯到對偶...
機器學習 SVM
當train data線性可分時，存在多個分離超平面可以把兩類資料正確分開，感知機利用的是誤分類最小的策略，求得分離超平面。但是這是有無窮多個解，而線性svm利用了間隔最大化求分離超平面，解是唯一的，優點是不僅把正負樣本點分開，還對最難分的點 即離超平面最近的點 也有足夠大的確信度將它們分開 希望用...
機器學習SVM
svm支援向量機他是乙個二類分類模型，是給基本模型的特徵空間間隔最大的線性分類器，目的就是求最大間隔 eg 給定一些資料點用x表示資料點，用y表示分的類別 y可以取1或者 1，分別代表兩個不同的類 線性分類器 svm 就是要在n維中找到乙個超平面可以將資料更好的分類 這個超平面的方程可以表示為 wt...