1.SVM的核心要素
支持向量机是一种二分类模型，他基本模型是定义在特征空间上的间隔最大的线性分类器。
通俗的说很类似于上次讲的那个回归的分类，其实从平面上看也是找一条直线来分割，分割的两边就是分类的结果，只不过这次的分类是找到一条线使得它能够对两旁的点距离最远。
-
也就是说，离直线最近的点要尽可能远离这条直线，而这些点就是支持向量。
2.SVM中如何找这个线
图解：
图上有三条线，均可以分割两旁的点即分成两类，但是倾斜程度不一样，（这里说的距离都是点到直线的垂直距离）很明显看到红色的线距离两旁离直线最近的点（A,B点）距离都最近，就是说要找的这条线离A最近的同时，B也要最近，比如说绿色这条他虽然和B的距离比红色那条离B近但是它离A太远，黑色那条反之，所以说综合来看红线最好，这就完成了SVM的分类。
3.非线性支持向量机
刚刚说的是用一条直线分割，但是实际情况很多点都是无规律的散部着，所以直线可能不能去分割，比如说
比如这样子如果非要在二维平面上给他分割就只能用高次曲线，所以叫非线性支持向量机。
4.核函数构建非线性支持向量机
核函数（向量内积相同，高斯核函数，Sigmoid核函数，线性核函数，多项式核函数这四种最常见）
我们可以把这些点投影到空间的不同面上，然后用一个平面进行分割（在三维空间中，平面是线性的（相对于曲面））。
5.最后，总结
-
SVM的核心：（二维）找一条线，使得它能够最好的分割开两类点（且这条线离两旁点距离最大），我自认为也可说距离之差的绝对值最大；
-
SVM的非线性：实际情况下，很少由一条直线就可以分开的情况，通常的点都是非线性的，用高次曲线进行分割；
-
投影到更高维进行用平面分割；
-
核函数（向量内积相同）（内积就是a·b（点乘））：高斯核函数，Sigmoid核函数，线性核函数，多项式核函数这四种在SVM中最常见；
-
如果是三维需要更高维就需要超平面。