支持向量機分類原理概述
支持向量機（SVMs）是一組相關的監督學習方法，用於分析數據和識別模式，用於分類和回歸分析。
最初的SVM算法是由弗拉基米爾。弗尼克發明的，目前的標准化身（軟利潤）是由科琳娜科爾特斯和弗拉迪米爾。瓦尼克提出的。
支持向量機在高或無限維度空間中構造超平面或超平面，可用於分類、回歸或其他任務。
超平面與任何類最近的訓練數據點之間的距離最大，因此，這是一個很好的分離，因為一般來說，越大的邊界越低，分類器的泛化誤差就越低。
我們想要找到最大的邊緣超平面，它把有yi=1的點和yi=-1分開。任何超平面都可以寫成滿足點的集合。
我們想要選擇w和b來最大化邊緣，或者在平行的超平面之間的距離，在分離數據的同時，盡可能地分開。
