机器学习总结(三)——SVM

---

1. SVM的原理是什么

svm是一种二分类模型，是一种在特征空间中寻找间隔最大化的分离超平面的线性分类器。

• 线性可分样本：可以通过硬间隔最大化学习线性分类器实现。
• 近似线性可分：通过引入松弛变量，通过软间隔最大化，学习线性分类器；
• 非线性样本：通过核技巧与软间隔最大化学习非线性支持向量机；

2. SVM为什么采用间隔最大化

利用间隔最大化求得的最优分离超平面是唯一的。分离超平面产生的分类结果是最鲁棒的，泛化能力最强。(采用其他策略可能得到的分类面有无数个，无法判断哪一个最优)

3. 函数间隔、几何间隔、点到超平面的距离

函数间隔：样本点到超平面的函数间隔为y*(w*x + b)，可以用来表示分类预测的正确性及确信度。

几何间隔：为了防止函数间隔随超参数的等比例变化，对法向量w进行约束，即函数间隔除以w的L2范数，为y*(w*x + b)/||w||2。