主要內容：
一.損失函數
二.決策邊界
三.Kernel
四.使用SVM
（有關SVM數學解釋：機器學習筆記（八）震驚！支持向量機（SVM）居然是這種機）
一.損失函數
二.決策邊界
對於：
當C非常大時，括號括起來的部分就接近於0，所以就變成了：
非常有意思的是，在最小化 1/2*∑θj^2的時候，最小間距也達到最大。原因如下：
所以：
即：如果我們要最小化1/2*∑θj^2，就要使得||θ||盡量小，而當||θ||最小時，又因為
，所以p(i)最大，即間距最大。
注意：C可以看成是正則項系數λ的倒數。所以，當C越大時（可以看成是λ越小），則曲線對於數據越敏感。如下：
三.Kernel
上面介紹的都是線性可分的情況，當線性不可分時，或許我們可以用多項式進行擬合，如下：
但是多項式的次數太高，計算成本就會很大，有沒有更好的辦法？那就是SVM帶核的方法。
我們將上面的多項式改為：
然后f的公式為：
這個f函數就是高斯核函數。
我們在坐標軸上選取三個地標
其中f1就是坐標軸上某一點到L(1)距離的遠近，離得近則f1 = 1，離得遠則f1 = 0，f2、f3等以此類推。
對於高斯核函數，σ對整體分布的影響為：σ越大，分布越扁平：
於是新的決策方法就變為：
那么如何選取地標L呢？那就是數據集的每一點都作為地標，如下：
綜上，帶核的SVM可以描述為：
四.使用SVM
支持向量機較為復雜，一般而言，我們都不會自己去實現算法，而是直接調用。但是我們需要做兩點工作，那就是：1.選擇C的值（cost function上的那個系數C），2.選擇核函數（或者直接使用無核），具體步驟如下：
