前言：

支持向量机这一节是看的中国mooc网上浙大胡浩基的课，感觉还是中文讲课的比较清晰易懂，
再结合看了周志华的《机器学习》。看完视频再看瓜书才明白上面那些公式是怎么来的，可能对于初学者来说还是
母语的视频教学更好懂。一开始看瓜书真的是头痛，全是各种数学公式，推导过程也没有。

1.支持向量机（support vector machine）

定义：可分不可分

如图如果能用一条直线把不同的数据给分隔开，就是线性可分的（linear separable）

如果如果不能用一条直线把不同的数据给分隔开，就是线性不可分的（nonlinear separable）

这个理论可以推广到三维，甚至思维以上的特征空间。三维使用平面来分隔数据，四维和四维以上因为人类
无法直观的感知出来，所以画不出来，但是能分隔数据，存在这样的平面叫做超平面。

二维线性可分情况：

数学定义：

向量定义：

2.支持向量机

问题描述：
对于线性可分的情况下，怎么找到最优分类的超平面

从图上看中间的超平面是最优的，这个对于划分数据是的容忍性最好，例如优于训练集数据的局限性，训练集外的数据可能导致分类直线出现错误的分类结果。但是第二幅图中的执行是受影响最小的，较小概率受新的数据影响而产生错误的结果。

支持向量机的寻找的最优分类直线应该满足：
2.1 该直线分开了两类
2.2 该直线最大化间隔（margin）
2.3 该直线处于间隔的正中间，到所有支持向量距离相等

上述的规则同样适用于线性可分的多维特征空间，只不过直线是变成了超平面。

3.数学定义的线性可分问题推导：

理解这个部分的公式花了我很长的时间，看了很多遍视频，对照着书和找的资料才勉强理解了。越往后面学，越发现自己数学知识储备太少。
首先我们看一个点到平面的距离的公式：

可以发现其实这个公式可以看做是平行四边形的面积除以底边，然后求出的高就是点到平面的距离。

然后开始推导求线性可分问题的公式：
先看两个存在的公式：
事实1：

事实2

在先看下样本空间任意一点到超平面的距离公式是：
ωx + b
这里的ω是个法向量，决定了超平面的方向，b是位移项是超平面和原点之间的距离。

根据事实1和事实2来推导：

要找到最大的间隔的超平面，就是要找到参数ω和b，使d最大。
所以问题就转化为，求||ω||的最小值。

所以优化问题定为：
最小化 1/2 * ||ω||^2 （这个和最小化||ω||是一样的，只是为了方便求导弄成了这种形式）

这个公式是二次规划的问题，所以我们求（ω，b）的为问题变成了求二次规划的问题。

因为二次规划是要么是无解，要么就是有唯一最小值的。又因为在凸优化问题中，一定存在唯一最小值的解，
所以是凸优化问题的二次规划问题一定有最优解。因此后面只要转化为了二次规划，又是凸优化问题的。我们就可以用已经存在解决凸优化问题的工具去解决它。

备注：

1.支持向量机还有要学习的内容核函数，对偶问题，这些小节还没有学习完，所以这里没有写出来。
2.下周要将核函数和对偶问题学习下，然后学习下拉格朗日子乘法，这个对偶问题公式推导会用到。