【机器学习】支持向量机SVM的超简单理解！

前言

在学习支持向量机过程中，始终不太理解核函数的功能与作用。只记得老师课件中草草带过的一句避免直接求非线性映射, 由核函数替代内积运算。但这句话太抽象了，始终没能理解，于是在网上查阅资料，发现了这篇文章中的一个非常简单易懂的描述，搬运过来，防止以后忘记找不到了。

---

正文：支持向量机

想象以下情景：

在桌子上有两种颜色的球要分类：

拿根木棍放到桌子上，成功分开了

一个捣蛋鬼在桌子上放了更多的球，导致有一个球放错了边

SVM 通过在棍子两侧留出尽可能大的空隙，将棍子放在最佳位置。（对应最大间隔）

现在，捣蛋鬼放更多的球，木棍还是可以很好地分类

现在，捣蛋鬼把它们放的更乱了

世界上没有一根棍子能让你很好地劈开这些球，那么你该怎么办呢？（掀桌！）球被抛向空中。 然后，用你的忍者技能，抓起一张纸，滑到球中间。（即升高维度进行划分）

现在小球在桌面上来看就是被一条曲线分开了，但在空中是一张纸。

无聊的成年人把球叫做数据，把棍子叫做分类器，把最大的差距叫做优化，把翻桌子叫做核函数，把纸片叫做超平面。

---

进一步说明

因此，核函数就是一种映射，将低维映射到高维，在高维中进行简单的划分，即可使用线性决策，避免了在低维中的“曲线”。
除此之外，还有一个东西叫做支持向量，在课件中是这样定义的：支撑最小距离最大化的样本
其实，它就是到木棍距离最近的小球们。
经过支持向量且平行于超平面的平面，被称为支持超平面。

更加清晰地总结上述内容：

• 球 —— 数据 [data]
• 棍子 —— 分类器 [classifier]
• 最大间隙 —— 最优化 [optimization]
• 拍桌子 —— 核方法 [kernelling]
• 纸 —— 超平面 [hyperplane]
  

---

总结

以上，就是关于支持向量机的全部概念啦！恭喜你，已经对支持向量机有了初步的认识！更深层的对理论的理解可以期待作者下一篇文章。
悄悄放个链接，这个对理论公式的说明也相当清晰！支持向量机公式推导
着急的小朋友先去自己摸索吧！😃