文章目录经典分类算法——SVM算法1 SVM算法：背景2 SVM算法思想3 .硬- SVM算法4. Soft-Margin SVM算法5. Kernel SVM算法6. SVM总结
经典分类算法——SVM算法1 SVM算法：背景
二维分类问题是典型的机器学习问题，其关键是找到合适的分类平面(分类器的决策边界，如y=w^T x b )，支持向量机提出最大化分类间隔的思想。
2 SVM算法思想SVM感性云：间隔、对偶、核技术
也就是说SVM的目标是使分类间隔最大化
对偶是求解SVM的方式
核技术是指非线性条件下SVM的改进
SVM分类：
Hard-Margin SVM
Soft-Margin SVM
Kernel SVM
以下是如何为一个数据集选择多个不同的分类平面？ 这引出了SVM算法思想的关键——分类间隔最大化。
最接近分类平均的样本点称为特征向量，进制结构持平。
两个支撑平面之间的距离称为分类器的分类间隔。 支持向量机支持向量机，SVM的核心思路是将分类间隔最大化。
3 .硬SVM算法
根据以上内容，硬间距SVM式导出过程中，将在制约条件下最大化的分类间隔目标函数优化——用拉格朗日乘数法无条件地变换为目标函数优化——并变换为对偶形，从导出求出w3354并导入互补缓和条件，根据w与b的关系求出b，进行分类，超平面
4 .软件边距SVM算法
5. Kernel SVM算法可以通过松弛变量来容忍离群点，但只适用于线性不可分情况不严重的情况。 当线性不可分情况严重时，需要进步空间映射，将低维空间的线性不可分问题转化为维空间的线性可分问题
6. SVM汇总保持向量机是优化分类间隔的分类器。 由于满足kkt条件，具有向量机的优化问题通常可以转换为对偶问题进行求解。 通过引入松弛变量，可以训练得到软约束的向量机。 可以使用内核函数让向量机处理不可线性分离的数据。