支持向量机（Support Vector Machine）
支持向量机（SVM）为监督式机器学习方法的一种，广泛地应用于统计分类、回归分析、二类问题（binary classification）的模式识别中，其最大特点是既能够最小化经验损失（也叫做经验风险、或者经验误差），同时又能够最大化几何间距（分类器的置信度），因此SVM又被称为最大边缘区（间距）的分类器。
机的意思就是算法，机器学习领域里面常常用“机”这个字表示算法。支持向量意思就是数据集种的某些点，位置比较特殊，我们找这条直线的时候，一般就看聚集在一起的两类数据，它们各自的最边缘位置的点，也就是最靠近划分直线的那几个点，而其他点对这条直线的最终位置的确定起不了作用，故称这些点为“支持点”（即有用的点），但是在数学上，没这种说法，数学里的点，又可以叫向量，比如二维点（x,y）就是二维向量，三维度的就是三维向量（x,y,z)。所以“支持点”改叫“支持向量”。
目标优化
我们从逻辑回归来引入SVM，假设函数为：(h_ heta(x)=frac {1}{1+e^{- heta^Tx}})
如果y=1，我们希望假设函数计算值(h_ heta(x)approx 1)，从下图可以看出( heta^Tx)需要远大于0，
同样y=0，我们希望假设函数计算值(h_ heta(x)approx 0)，从下图可以看出( heta^Tx)需要远小于0。
代价函数为：$-(ylogh_ heta(x)+(1-y)log(1-h_ heta(x)))$=$-ylogfrac{1}{1+e^{- heta^Tx}}-(1-y)log(1-frac{1}{1+e^{- heta^Tx}})$
 
图中的蓝色折线（先不用考虑斜线的斜率）在不同y取值下表示cost\_1,cost\_0。
逻辑回归代价函数：
同时删除两侧的$frac{1}{m}$，对于优化参数theta效果不发生任何变化，同时将参数lambda删除，以$C=frac{1}{lambda}$补充有：
大间距分类器的直观表现
前面曾提到SVM又称为大间距分类器（Large Margin），下式为支持向量机的代价函数，分别画出对z的代价函数cost1(z)、cost0(z)（如上图蓝色折线）。
若y=1，欲代价函数最小，则从图中有$z= heta^Tx$需要大于等于1，y=0则需要小于等于-1。*（注意这里不再是之前逻辑递归中仅大于等于0或小于等于0）*现在将代价函数中的常数值C设置为非常大的数如：100，000，这时最小化SVM的代价函数时应该尽量使前一项中的计算结果为零，此时就应该让$z= heta^Tx$需要大于等于1，或小于等于-1。
下面通过一个线性可分的案例加以说明SVM的决策边界：
异常点（outliers）在大间距分类器的影响：
**大间距分类器背后的数学原理**
首先，两个向量的内积（Inner Product），设向量为：
向量u的模（范数）表示为：(left | u
ight |=length of vetor = sqrt{u_1^2+u_2^2})，(u^Tv=p*left | u
ight |)，其中p表示v在u上的投影长度（其值可以为负数）。
SVM的决策边界
在SVM的代价函数中常数C为很大的情况下（如：C=100,000），最小化代价函数为(min_ hetafrac{1}{2}sum_{j=1}^{n} heta_j^2)，s.t.（约束条件-subject to)为：
根据上面对于向量长度的定义，
方便起见，我们设( heta_0=0)(反应为在坐标轴上的截距)，参数( heta = [ heta_1 heta_2])，则约束条件中德( heta^Tx)可以表示为：
。其中(p^{(i)})为x(i)在参数theta上的投影长度，如下图所示：
现在我们再来看看SVM的决策边界问题，数据样本如图所示
绿色直线可能是两侧数据的分界线，但因为间距margin太小了，最小化SVM代价函数时是不会选择它的，具体原因如下，蓝色的参数theta线与分界线成90度关系，是绿色决策界的参数theta向量。如前所述，为简化方便theta_0的值设为零，则两条线都过零点。
现在任意选取两个点$x^{(1)}$，$x^{(2)}$，做其在参数theta上的投影，长度分别用红色与粉色标明，$p^{(1)}$，$p^{( 2)}$表示，从中能看出投影的长度p很小，而前述的约束条件s.t.中应该$z= heta^Tx$需要大于等于1，y=0则需要小于等于-1，因此theta的范数就会很大很大，这与最小话代价函数$min_ hetafrac{1}{2}sum_{j=1}^{n} heta_j^2$相悖。
 
相反，选取下图中的决策线将会使theta变小。
