支持向量机
一、支持向量机综述
1、研究思路，从最特殊、最简单的情况开始研究
基本的线性的可分 SVM 解决二分类问题，是参数化的模型。定义类标记为 (+1) 和 (-1)（区别于感知机，感知机是 (+1) 和 (0)），学习的是分离超平面，分类决策函数是 $$f(x) =sign(wcdot x + b)$$，我是这样看待这个分类决策平面的。
可以将向量 (w) 理解成为向量 (x) 的 (n) 个特征的权重，将它们加权求和以后得到一个值，如果这个值大于一个阈值，就归为一类，否则归于另外一类，这一点和感知机是一样的，我们不妨翻《统计学习方法》看看感知机和支持向量机的章节，它们定义的分类决策函数都是 (f(x) =sign(wcdot x + b))。
2、理解间隔的定义，为什么不是距离最大，理解什么叫间隔最大化
- 假设训练数据集线性可分
我是这样理解间隔最大化的，这样的讨论同样基于训练数据集线性可分的前提下。
- 什么是超平面关于样本点的间隔
理解“间隔”这个概念，我们一定先要认识到一点，分离超平面的位置一定是位于两类样本点中间。
书上之所以使用“间隔”，是为了引入正负样本标签的含义。这一点可以这样理解，如果我们把间隔改成距离，那么这个“距离”一定是 0。
(配图说明。)
从这个角度再来看书上说的“函数间隔”和“几何”间隔，你会看到，这样的定义是多么完美，但是又是比较晦涩。
又假设分离超平面 (f(x) =sign(wcdot x + b)) 已知，即向量 (w) 和标量 (b) 都已知，训练数据集已知，那么，对于所有的训练数据集，总逐个计算训练数据集到分离超平面的间隔，在这些间隔中，总能找到一个最小的距离，将这个最小的距离定义为整个训练数据集的间隔。
整个训练数据集中，能达到这个最大间隔的点一定至少有 2 个，正类一个，负类一个。分离超平面就像是被它们给“撑”住了一样。再来看一个最特殊的情况，如果支持向量正好有两个，正类一个，负类一个，那么此时分离超平面一定是它们的中垂线。支持向量多余两个的情况，总是可以至少画出一边的间隔边界，间隔边界确定了，分离超平面就确定了。
(配图说明。)
- 理解间隔最大化
当向量 (w) 和标量 (b)，成为参数的时候，不同的向量 (w) 和标量 (b) 的组合针对同一份训练数据集都可以得到一个间隔，这个间隔最大的向量 (w) 和标量 (b) 的组合就是我们认为最好的参数，因为这样的分离超平面对于未知的测试数据集有较好的泛化能力。
(配图说明。)
这里举一个例子：我们都知道木桶原理，木桶能装多少水由最短板的长度决定，那么，如果我们要买一个木桶装下更多的水，我们就要选那个所有木桶中最短板最长的那个木桶，这句话说得比较拗口，不过我相信，我已经把这件事情说清楚了。
- 我关于间隔最大化的一个直观描述
3、支持向量机的理论研究路径
在很多情况下，我们总是从最最简单的情况开始研究，考虑最特殊的情况，以抓住问题的关键所在，对于一些更一般的情况，可以通过一些技巧向简单的情况进行转化。SVM 的理论研究就是这样层层递进的过程。
支持向量机学习方法包含构建由简至烦的模型：线性可分支持向量机、线性支持向量机、非线性支持向量机。简单模型是复杂模型的基础，也是复杂模型的特殊情况。
- 线性可分支持向量机
假设数据集一定线性可分，在此前提下有定理可以保证最大间隔的分离超平面存在且唯一，此时的线性可分支持向量机对应“硬间隔最大化”。
- 线性支持向量机
线性支持向量机对应“软间隔最大化”，是为了避免“硬间隔最大化”为了照顾少数那些离群点，而丧失了较多的泛化能力。“软间隔最大化”的 SVM 从机器学习的角度来看，是加入了正则化的损失函数的最优化问题，从这个角度上说，“软间隔最大化”与“硬间隔最大化 + 正则化”是一回事（这一点其实书上有说），“软间隔最大化”可以通过控制超参数 (C) 以避免“过拟合”。
在学习一些参数化的机器学习模型时，比如线性回归、多项式回归、逻辑回归、决策树时，我们为了避免过拟合，总会给损失函数加上一个尾巴，以使不会因为自变量的很小变化，导致损失函数的值有很大的变化，这种数学上的处理就叫“正则化”，我们总是没有看到 SVM 提到过正则化对吗？因为它正正好对应了“软间隔最大化”的支持向量机模型。
- 非线性支持向量机
处理不能线性可分的情况，基本思路就是构造特征，将训练数据集中的向量从一个低维度映射到更高维度，是基于“低维空间不能线性可分，在高维空间中就能线性可分”的思想。
以上其实就是 SVM 最最基本的研究思路，至于我们在各类机器学习的书中看到的 SMO 算法，核技巧、拉格朗日对偶问题是具体在求解 SVM 的过程中使用的数学和计算机上算法和技巧，理解它们需要花一些时间，但 SVM 最基本的思想其实是非常简单易懂的。我们在学习 SVM 的过程中，应该先抓住思想和主线，再深入研究细节。
1、如果你的 SVM 模型过拟合了，你可以考虑通过减少 C 来正则化：
解释：C 越大，则表示硬间隔的程度越厉害，越不允许有分错的情况，这样就容易造成过拟合。
2、如何理解 hinge loss function ？
3、SVM 涉及距离的计算，不要忘记使用 scale
刘建平Pinard 博客中的内容
scikit-learn 支持向量机算法库使用小结
https://www.cnblogs.com/pinard/p/6117515.html
支持向量机原理(一) 线性支持向量机
http://www.cnblogs.com/pinard/p/6097604.html
支持向量机原理(二) 线性支持向量机的软间隔最大化模型
http://www.cnblogs.com/pinard/p/6100722.html
支持向量机原理(三)线性不可分支持向量机与核函数
http://www.cnblogs.com/pinard/p/6103615.html
支持向量机原理(四)SMO算法原理
http://www.cnblogs.com/pinard/p/6111471.html
我的问题：
1、原问题和对偶问题的关系深入理解一下
2、w 的值好算，b 呢？
SVM 笔记 —— liwei
先分开，能找到很多很多条直线，再从分开的直线中找到最好的。
支持向量机是一个分割超平面，支持向量是那些具有决定性作用的点。
支持向量机(SVM)是什么意思？
https://www.zhihu.com/question/21094489
Python3《机器学习实战》学习笔记（八）：支持向量机原理篇之手撕线性SVM
https://zhuanlan.zhihu.com/p/29604517
机器学习算法实践-支持向量机(SVM)算法原理
https://zhuanlan.zhihu.com/p/28660098
七月的文章：
支持向量机通俗导论（理解SVM的三层境界） - 结构之法 算法之道 - CSDN博客 http://blog.csdn.net/v_july_v/article/details/7624837
关于SVM一篇比较全介绍的博文 - 数据分析与数据挖掘技术-炼数成金-Dataguru专业数据分析社区 http://www.dataguru.cn/thread-371987-1-1.html
支持向量机: Kernel « Free Mind http://blog.pluskid.org/?p=685
The Kernel Trick http://www.eric-kim.net/eric-kim-net/posts/1/kernel_trick.html
(81 条消息)支持向量机(SVM)是什么意思？ - 知乎 https://www.zhihu.com/question/21094489
数据嗨客 | 第5期：支持向量机 https://zhuanlan.zhihu.com/p/25036051
机器学习小白如何成长为业内专家？ https://zhuanlan.zhihu.com/p/31530546
Support vector machine - Wikipedia https://en.wikipedia.org/wiki/Support_vector_machine
机器学习数学：拉格朗日对偶问题
https://zhuanlan.zhihu.com/p/31131842
支持向量机SVM - 从入门到放弃
https://zhuanlan.zhihu.com/p/30596284
用纸笔推算 SVM 的对偶性(Duality)更是面试官们喜闻乐见的测试，已近成为了机器学习八股文。
SVM学习笔记（day1）
https://zhuanlan.zhihu.com/p/29922366
SVM学习笔记（day2）
https://zhuanlan.zhihu.com/p/29936439
SVM学习笔记（day3）
https://zhuanlan.zhihu.com/p/29971528