关于SVM的论文、书籍都非常的多，引用强哥的话“SVM是让应用数学家真正得到应用的一种算法”。SVM对于大部分的普通人来说，要完全理解其中的数学是非常困难的，所以要让这些普通人理解，得要把里面的数学知识用简单的语言去讲解才行。而且想明白了这些数学，对学习其他的内容也是大有裨益的。我就是属于绝大多数的普通人，为了看明白SVM，看了不少的资料，这里把我的心得分享分享。其实现在能够找到的，关于SVM的中文资料已经不少了，不过个人觉得，每个人的理解都不太一样，所以还是决定写一写，一些雷同的地方肯定是不可避免的，不过还是希望能够写出一点与别人不一样的地方吧。另外本文准备不谈太多的数学（因为很多文章都谈过了），尽量简单地给出结论，就像题目一样机器学习中的算法算法（之前叫做机器学算法习中的数学），所以本系列的内容将更偏重应用一些。如果想看更详细所以本系列的内容将更偏重应用一些。所以本系列的内容将更偏重应用一些的数学解释，可以看看参考文献中的资料。的数学解释，可以看看参考文献中的资料。一、线性分类器：线性分类器：首先给出一个非常非常简单的分类问题（线性可分）首先给出一个非常非常简单的分类问题（线性可分），我们要用一条直线，将下图中黑色的点和白色的点分开，很显然，图上的这条直线就是我们要求的直线之一（可以有无数条这样的直线）
f假如说，我们令黑色的点1，白我们令黑色的点色的点1，直线fxwxb，这儿的x、w是向量直线是向量，其实写成这种形式也是等价的fxw1x1w2x2…w
x
b当向量x的维度2的时候fx表示二维空间中的一条直线，x的维度的时候，，当3的时候，fx表示3维空间中的一个平面，当x的维度的维度
3的时候，表示
维空间中的
1维超平面。这些都是比较基础的内容这些都是比较基础的内容，如果不太清楚，可能需要复习一下微积分线性代数的内容。可能需要复习一下微积分、线性代数的内容刚刚说了，我们令黑色白色两类的点分别为我们令黑色白色两类的点分别为11，所以当有一个所以当有一个新的点x需要预测属于哪个分类的时候需要预测属于哪个分类的时候，我们用sg
fxsg
fx，就可以预测了，sg
表示符号函数表示符号函数，当fx0的时候，sg
fx1当sg
fxfx0的时候sg
fx1。但是，我们怎样才能取得一个最优的划分直线fx呢？我们怎样才能取得一个最优的划分直线？下图的直线表示几条可能的fx
f一r