本部分主要为机器学习理论入门_支持向量机（support vector machines, SVM），书籍参考 " 统计学习方法（第二版）"。
学习目标： 理解决策边界、支持向量、决策/正/负超平面方程式、损失成本、软/硬间隔、核技巧升维转换。
工作之余有时间，继续填坑...
一、支持向量机（SVM）定义
支持向量机（Support Vector Machine，SVM）是一种用于分类和回归的监督学习算法，特别适用于分类问题。它的核心思想是找到一个最优超平面，将不同类别的数据分开，并最大化类别之间的边界（即"间隔"）。对于线性可分的数据，SVM通过寻找一个超平面来实现分类；对于线性不可分的数据，SVM通过核函数将数据映射到高维空间，使其在高维空间中线性可分。
一般的来说，当数据集线性可分时，存在多个能够正确分类的超平面。
对比一下感知机算法：
-
感知机：利用误分类最小的策略，解有无穷多个，不唯一。
-
支持向量机：利用间隔最大化策略，解唯一。
支持向量机主要包含以下三大类：
- 线性可分支持向量机：针对数据线性可分，通过硬间隔最大化来学习
- 线性支持向量机：针对数据近似线性可分（含噪），通过软间隔最大化来学习
- 非线性支持向量机：针对数据线性不可分，通过核技巧及软间隔最大化来学习
二、支持向量机定义
2.1 超平面
说白了，就是所要求的解平面，也就是能够分隔数据的解集合。
超平面是分割输入变量空间的线。在SVM中，选择超平面以最佳地将输入变量空间中的点与它们的类（0级或1级）分开。在二维中，您可以将其视为一条线，并假设我们的所有输入点都可以被这条线完全分开。SVM学习算法找到导致超平面最好地分离类的系数。
其定义为：在n维空间中，超平面是一个n-1维的子空间，用于分隔数据。对于新的、未知的样本，SVM可以根据它们与超平面的相对位置来判断其所属类别。
超平面方程为：
其中w是权重，b是截距，训练数据就是训练得到权重和截距。
对于二维空间来说，其就是一条直线，如下图所示：
根据样本，可以分为正/负超平面，如下图所示。
2.2 间隔
超平面与最近数据点之间的距离就是间距。SVM的目标就是最大化这个间隔，如下图：
当然了，可能会存在一些误差样本，这个时候就需要给处理掉，那么不去掉误差样本的数据间隔就是软间隔，如下图所示：
去掉误差样本的数据间隔就是硬间隔
2.3 间隔最大化（Margin Maximization）
核心思想：SVM的目标是找到一个超平面，使得该平面到最近样本点（支持向量）的距离最大。这种间隔最大化策略旨在提高模型的鲁棒性，减少过拟合风险。
2.4 核函数
当数据线性可分时，SVM能够直接在原始特征空间中寻找一个最优的超平面，这个超平面能够将不同类别的数据分隔开来，并且保证不同类别之间的间隔最大化；若非线性可分，传统的线性超平面无法有效地区分不同类别的数据。为了解决这个问题，SVM引入了核函数的概念，其实和齐次坐标的作用差不多。
用于将数据映射到高维空间的函数，常见的核函数包括线性核、多项式核和径向基函数（RBF）核。
其中，核技巧就是对不可分数据进行升维度，然后来求解超平面的过程。
三、通过优化求解SVM
3.1 拉格朗日乘数法
3.2 KKT条件
在优化理论中，KKT（Karush-Kuhn-Tucker）条件是一组必须满足的条件，以便一个点成为凸优化问题的局部最小值，特别是对于有不等式约束的问题。
3.3 优化求解
四、SVM的优缺点
优点：
- 可以解决高维问题，即大型特征空间；
- 解决小样本下机器学习问题；
- 能够处理非线性特征的相互作用；
- 无局部极小值问题；（相对于神经网络等算法）
- 无需依赖整个数据；
- 泛化能力比较强；
缺点：
- 当观测样本很多时，效率并不是很高；
- 对非线性问题没有通用解决方案，有时候很难找到一个合适的核函数；
- 对于核函数的高维映射解释力不强，尤其是径向基函数；
- 常规SVM只支持二分类；
- 对缺失数据敏感；