目录
SVM算法的简介
1、SVM模型分类—线性可分、线性、非线性
2、SVM的决策边界
3、SVM中的核函数
4、SVM算法推导
1.1、SVM转为对偶问题的求解—SMO算法思
5、SVM中“损失+惩罚”框架的灵活性
6、SVM的损失函数分析
SVM的应用——解决的问题类型
1、SVM用作分类
1.1、SVM与二分类
1.2、SVM与多分类
2、SVM用作回归
SVM的经典案例
SVM算法的简介
支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类（binary classification）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平面（maximum-margin hyperplane）。
SVM的基本思想是：找到集合边缘上的若干数据（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。
1、SVM模型分类—线性可分、线性、非线性
由简至繁的SVM模型包括：
当训练样本线性可分时，通过硬间隔最大化，学习一个线性可分支持向量机；
当训练样本近似线性可分时，通过软间隔最大化，学习一个线性支持向量机；
当训练样本线性不可分时，通过核技巧和软间隔最大化，学习一个非线性支持向量机；
线性可分数据
线性不可分数据
非线性数据
