对于逻辑回归的新的view
支持向量机的函数设定为cost（），曲线和逻辑回归非常相似
A + lambda * B
c * A + B
只是设定不同的项不同的权重，两者可以转换的
large margin 的含义
正样本我们希望theta * x 大于 1 ， 负样本则小于-1 ； 支持向量机的要求相对于逻辑回归更高，不仅仅是以0作为分界线。
SVM的决策边界，想让cost最小，则第一部分为0，也就是下面这两种情况：
决策边界是线性可分的：
C 设置的非常大的作用：
异常点的影响：圈圈中的个别叉或者叉中的个别圈 ，可能很轻易地改变了我们的决策边界。C设置地特别大则会避免这种情况。
或者针对线性不可分的情况
kenerls
用f来表示x的幂次项
使用similarity（核函数）函数来计算x和随机选择的L点之间，这里选择的是高斯函数
如果x靠近l则高斯函数值为1，否则为0
高斯函数的三位图像，方差的选择对于图像下降速度的影响，越大则下降地越慢（因为是分母嘛）
从图像中看出当两点接近时处于顶峰1，否则则随着距离的变远逐渐下降
根据计算值的正负进行划分，这样就可以确定一个区域，即使不是线性可分也可确定一个非线性的区域
L:landmark的选择很简单啦其实就是每个训练集样本点：
具体的操作过程：
参数的选择：
具体的实践
使用svm工具包来计算theta
需要明确指出：C参数和kernel函数的选择（默认为线性核函数）
这里注意一定要进行特征缩放
其他的和函数选择：满足默赛尔定理来正确地优化模型
多项式核函数
字符串核函数（输入为字符串）
...
多分类
许多svm包内建多分类工具
或者使用one vs all 的方法，计算完之后选择最大的
逻辑回归和svm的区别
1. 如果N很大，远大于M
使用逻辑回归或者线性的svm
2. 如果n 很小，M中等
使用高斯函数的svm
3. N很小，m很大
增加更多的特征，使用逻辑回归或者线性svm
神经网络对于这些都能适用，但是缺点是训练的很慢
