SVM学习记录

第一个min：先在数据中找离决策边界距离最近的样本点

第二个max：寻找w和b使得刚才找到的点离决策边界最远的平面（平面方程：）

 

求解出后即可求出w和b。

例如：

如果等于0.根据上面的公式，得到w就为0.即样本没用。对最终结果不会有任何有影响。

如果不等于0，的样本点。边界上的样本必然是非零的。非边界上的点必然为零。

对应非零的样本点即为支持向量。

此处当C很大时，必须让松弛因子很小使得整个式子变小。即分类要求严格

当C很小时，松弛因子就可以稍微变大一些。即分类要求不严格

高斯核函数就是将低维转换为高维