SVM
时间复杂度一般为O（N³）
最重要的是推导过程
NIPS（机器学习顶级会议）
如果给定一个训练集，我们的目标是给定一个边界（一条线），离他最近的训练集样本路越宽越好
下面的几张图反映了SVM的推导过程，可惜，这个文本编辑框不太熟，没法解释具体个中过程，只好
先说中间涉及的各个知识。
KEY IDEAS
推导过程：
图（1）
涉及到向量的投影，，以中间距离正负样本点几乎等宽的粗线为分界线 l，从原点引出一条向量W，垂直于 l，X正为正样本点，
X负为负样本点，大于1为正，小于1为负，以此分开。
图（2）
将图（1）中右侧两个式子合并，得到②式，X为样本区域附近
图（3）
向量W的max是（正样本点-负样本点）*单位1，WIDTH的式子展开，将左下角的②式带入，
消元，只剩下2倍的向量W的长度值。
图（4）
转化成求左下角的式子。。。
图（5）
上图此处要用到多元偏导的知识，求极值，得出方框里的值
图（6）
化简后的值。
图（7）
终极BOSS!
核函数的作用: 将高维映射为低维，这一点涉及的知识点比较系统，有时间的话，重新整理发布一下，^_^
图（8）
图（9）