支持向量机（SVM）知识点总结
1. 基本思想
-
目标：在样本空间中找到一个划分超平面，将不同类别的样本分开。
-
理想超平面：对训练样本局部扰动"容忍性"最好的超平面。
2. 优化目标
-
最大化间隔（Margin） ：
SVM的核心思想是寻找一个超平面，使得该超平面到最近样本点的距离（即"间隔"）最大化，从而提高泛化能力。
3. 支持向量（Support Vectors）
-
位于间隔边界上的样本点，直接影响超平面的位置和方向。
-
只有支持向量参与决策，其他样本点对超平面无影响。
4. 超平面（Hyperplane）
-
定义：超平面是从n维空间到n-1维空间的一个映射子空间，由一个n维向量和一个实数定义。
-
示例：
-
三维空间：超平面为二维平面。
-
二维空间：超平面为一维直线。
-
-
超平面方程：
wTx+b=0
其中，w 为法向量，b 为偏置项。
5. 点到超平面的距离
-
点 x 到超平面 wTx+b=0 的距离公式：
距离=∥w∥∣wTx+b∣
支持向量机（SVM）学习笔记
核心思想
支持向量机（SVM）是一种经典的监督学习方法，主要用于分类任务。其核心思想是在样本空间中找到一个最优的超平面，使得不同类别的样本被有效分离，并且超平面对训练数据的局部扰动具有最好的"容忍性"。
优化目标
-
最大化间隔（Margin） ：
SVM通过最大化超平面到最近样本点的距离（即"间隔"），来提高模型的泛化能力。间隔越大，模型对未知数据的预测能力越强。
支持向量（Support Vectors）
-
定义：支持向量是指位于间隔边界上的样本点，这些点直接决定了超平面的位置和方向。
-
特点：
-
只有支持向量参与超平面的确定。
-
移除非支持向量的样本点，不会影响超平面位置。
-
超平面（Hyperplane）
-
几何意义：超平面是从n维空间到n-1维空间的映射子空间。
-
示例：
-
三维空间：超平面为二维平面。
-
二维空间：超平面为一维直线。
-
-
数学表达 ：
超平面方程为：
wTx+b=0
其中，w 为法向量（决定超平面方向），b 为偏置项（决定超平面位置）。
点到超平面的距离
-
任意样本点 x 到超平面的距离为：
距离=∥w∥∣wTx+b∣
该距离公式在计算间隔时至关重要。