SVM是一种应用比较广泛的分类器，全名为Support Vector Machine，即支持向量机，在没有学习SVM之前，我对这个分类器汉字的理解是支持/向量机，学习之后，才知道原名是支持向量/机，我对这个分类器的名字理解是：通过具有稀疏性质的一系列支持向量从而得到一个比较好的分类器，这个分类器在名称里面体现为Machine。下面是我对于学习SVM理论后认为几个需要理解和掌握的知识点
- 函数间隔(functional margin) and 几何间隔(geometric margin)
- 支持向量的理解
- SVM的最优化问题的解决
首先给出一个一般介绍SVM开篇的一类型的图：
从这幅图上看，可以很清楚的看见，SVM实现了两类数据的分类，在这幅图中，有中间的一条横线就是我们要得到的分类器，在二维平面表现为直线(线性分类)或者曲线(非线性分类)，在高维空间表现为超平面(hyperplane)。
回顾一下机器学习（一）--- 监督学习之回归中有关于逻辑回归的知识：对于分类器hypothesis，
，在而进行二分类的问题上,现在对于该函数，用超平面的表达式：
进行替换，对于二分类问题而言，需要说明的是：
联系该公式与上图之间的联系，当
大于0的时候，则数据分类的label为1，反之则定为-1。由此引出关于函数间隔的定义，functional margin:
其中，
的值为{+1,-1}，当值为+1时，为了达到很好的分类效果，括号里面的值需要表现为positive，且是较为大的正值，而对值为-1，括号里面的值则需要表现为negative,且是绝对值较为大的负值。
为了比较大的函数间隔，达到很好的confidence，即分类结果更加准确可信，有可能简单的增加w和b的值，但是这样简单的处理是没有任何意义的，因为我们的目的就是为了找到一个比较好的超平面，应该是w,b是不同，在三维空间内，w代表的是分类平面的法向量，对于简单的乘上一个因子，实质上平面并没有发生改变，因此这并不是我们需要的结果。
接着我们需要引出几何间隔，geometric margin的概念。
对于上图，B点是A点在超平面上的投影，对于B点的坐标，这是一个很简单的立体几何问题，对于超平面的法向量，w，我们可以很容易求得它的单位向量，由此可以余弦角，由此可以很容易根据A的坐标求得B的坐标，即：
。由因为B点是落在超平面上的，由此可以得到以下结果：
经过简单的线性代数的处理，可以得到：
感觉是不是有点似曾显示的感觉，非常类似点到平面的距离的公式，因为它有可能是负值，因为少了一个绝对值符号，再经过简单的处理：
这样就保证了非负性质。这就是几何间隔的定义式。
可以看到几何间隔和函数间隔是非常类似的，但是点到平面的距离是不会因为w,b的缩发生变化，在这一点上，几何间隔比函数间隔更具有意义和价值。
因此，对于以上的二分类问题，可以得到以下的抽象模型：定义
即：通过学习和训练，可以得到一组
,使得能够达到最大。
===================================================================================
接下来需要讨论上面提出的模型的求解问题。
通过函数间隔和几何间隔的关系，经过转换，可以得到：
这里需要深入的讨论一下
的问题。这也是我在理解SVM的时候始终不太明白的问题，在SVM的理论学习中，通常会有。的限制
对于，我们可以采取任意的缩放因子，这里当然就对有了一定的限制。但是可以肯定的是，通过缩放，可以使得。同时缩放，对于几何间隔是没有影响的。
======================================题外话===============================================
但是还有一个问题，一开始容易陷入怪圈的问题：对于最小间隔
，可能在真实情况中，需要分类的数据到超平面的间隔可能是小于1的。那么加入最小间隔为1的这样一个限制，不就把这样一部分点过滤掉了，导致计算的时候不考虑这部分点。
对于这个问题，我的理解是。首先这样理解的因果关系是有问题的，首先我们就是为了使得最小间隔最大化，从而得到，得到分类器。那么在不确定超平面的表达式之前，函数间隔是变化的，不存在过滤不过滤的说法。加入“1”的限制，仅仅是为了方便处理。
========================================================================================
解释完的取值问题，接着开始正题，模型的求解问题。当时，可以将以上的模型求解转换为一下模型的求解：
这个问题，是一个典型的凸优化问题，可以用QP模型来求解。
至此，关于SVM的基础知识点就已经全部清点完毕，下一篇将会讲解在以上提出的模型的求解问题。但是我总觉得还有已给关键的名词没有给出，是什么呢？对了，就是支持向量的概念。
========================================================================================
前面我们讨论了关于的取值问题，给出了的限制条件。对于满足
的值为1的数据，我们称为支持向量。如下图所示：
从上图和本文的第一张图可以看到，满足的向量，即支持向量，是很少的，即具有稀疏性。