svm學了又忘，想來形象的理解一下；
首先從字面上來看，支援向量機，為什麼取名叫支援向量機呢？
核心在於支援向量，向量是啥，就是乙個線（高維就是平面）而已，為什麼要這條線呢，因為要根據這條線來確定唯一的平面；那麼這條線如何確定，那肯定要找到兩點，這兩點如何確定，類別a中出乙個點，類別b中出乙個點，求出兩點之間的距離，搜尋出最短距離的兩點；然後求出該兩點正中間的平面；
其實可以想象成一條河左邊是全是紅點，右邊全是綠點；這條河將兩堆點都分開了（即實現了完美分類）；河的位置可以有很多種，正中間的一種是最好的；對紅點與綠點最公平；
如何原始空間是有限維，那麼一定存在高維特徵空間使樣本可分；（因為你可以對映到無限維的空間中）
我們希望樣本在特徵空間內線性可分，因此特徵空間的好壞對支援向量機的效能至關重要。需注意的是，在不知道特徵對映的形式時，我們並不知道什麼樣的核函式是合適的，而核函式也僅是隱式地定義了這個特徵空間。於是「核函式選擇「成為支援向量機的最大變數。若核函式選擇不合適，則意味著樣本對映到了乙個不合適的特徵空間，很可能導致效能不佳。
形象理解「梯度」
梯度是微積分多元函式的乙個重要概念，簡單來說，梯度是乙個向量，當函式上的一點按照該向量移動，函式值增加最大，該向量由函式分別對自變數的偏導值所構成。如果函式是二元函式，則梯度是二維向量，在自變數構成的平面上，如果函式是三元函式，則梯度是三維向量，在自變數構成的空間中。本文著重對它的上述的意義，進行形...
SVM演算法的理解
距離上次看svm演算法已經快過了半個月了，今天再次看到，溫故知新後決定把自己的理解寫出來。不過由於本人文筆不佳，所以想到什麼寫什麼，等有空了再整理。看到覺得混亂的還請見諒。剛剛看svm的時候，只能明白支援向量機之所以叫支援向量機是因為支援向量，後面懂得了w的內容是什麼 幾何距離的意義 低維對映到高維...
svm的簡單理解
svm是一種訓練機器學習的演算法，可以用於解決分類和回歸問題，同時還使用了一種稱之為kernel trick的技術進行資料的轉換，然後再根據這些轉換資訊，在可能的輸出之中找到乙個最優的邊界。簡單來說，就是做一些非常複雜的資料轉換工作，然後根據預定義的標籤或者輸出進而計算出如何分離使用者的資料。簡單理...