支持向量机(Support Vector Machines)
优化目标(Optimization objective)
SVM与logistic回归
SVM假设函数
直观上对大间隔的理解(Large Margin Intuition)
SVM也被称为大间距分类器，SVM代价函数的图像分析：
大间距分类，间距
大间隔分类器的数学原理(The mathematics behind large margin classification)
核函数1(Kernels)
通过把相似度核函数的f1，f2，f3等做为新的特征，那么，离特定的标记点近，可以使边界函数大于0，离特定的标记点远，可以使边界函数小于0，从而定义了标记点空间中的边界，也就是有了边界函数。
相似度函数是一种核函数，这里用的相似度函数是高斯核函数。
具体实例
核函数2(Kernels)
标记点的选取，选取训练样本作为标记点。把训练数据的每个数据点看做一个标记点（landmark），于是有数据量m个标记点。每个数据点x(i)都由它自己的若干个老特征量组成，每个数据点又与所有的标记点做一次相似度函数运算（高斯函数运算），每次运算形成一个新的特征量f，那么每个老的数据点就变换出了m个新特征量的一个新点。
SVM with Karnels
SVM with Karnels
SVM参数的选择，C参数的选择，大C：低偏差，高方差；小C：高偏差，低方差
使用SVM
使用已经成熟的SVM软件包(如liblinear，libsvm)来获取参数。SVM函数是一个凸函数，所以不用担心，一定会有全局最优解。线性核函数(linear kernel)——没有核函数的函数
注意，使用高斯核函数前，一定记得进行特征缩放。否则，某个特征就会表现得比较突出！
还有其他类型的核函数，如String kernel、Polynomial kernel等，但主要还是使用高斯核函数以及线性核函数。此外，SVM里面有专门的软件包来处理多元分类问题！
那么，什么使用Logistic回归、线性核函数和高斯核函数呢？
n很大，n>=m，n=10,000，m=10……1000，用logistic回归或不带核函数的SVM。
n小，m适中，n=1—1000，m=10—10,000，用高斯核函数的SVM。
n小，m很大，n=1—1000，m=50,000+，创造更多特征，然后使用logistic回归或不带核函数的SVM。
此外，以上的这些，神经网络也可以处理，但是，速度会比较慢！
