吴恩达机器学习ex6

第一部分 支持向量机

1.使用SVM对线性可分样本进行分类

样本点：

这一部分让我们使用不同的参数C观察分类效果。C就是SVM中对误分类样本的惩罚程度（正值）。C越大对训练样本的分类就会越准确，但是泛化能力也会变差。
C=1时：

C=100时：

可以看到C=100时虽然没有了误分类样本，但这个决策边界却过拟合了，当样本点轻微波动时，可能就会分类错误。而C=1时虽然有一个误分类的样本，却能满足样本点波动的条件，也就是样本点到决策边界的间距较大。

2.高斯核函数SVM

2.1 非线性分类

这一部分使用SVM进行非线性的分类
高斯核函数公式：

该函数的功能基本可以看作是测量两个样本点间的距离。参数σ表示宽度，这决定了随着示例之间的距离越来越远，相似性度量降低(到0)的速度有多快。

sim = exp(- sum((x1 - x2) .^ 2) / (2 * sigma^ 2)</