支持向量机原理(三)线性不可分支持向量机与核函数(待填坑)
支持向量机原理(四)SMO算法原理(待填坑)
支持向量机原理(五)线性支持回归(待填坑)
支持向量机(Support Vecor Machine,以下简称SVM)虽然诞生只有短短的二十多年，但是自一诞生便由于它良好的分类性能席卷了机器学习领域，并牢牢压制了神经网络领域好多年。如果不考虑集成学习的算法，不考虑特定的训练数据集，在分类算法中的表现SVM说是排第一估计是没有什么异议的。
SVM是一个二元分类算法，线性分类和非线性分类都支持。经过演进，现在也可以支持多元分类，同时经过扩展，也能应用于回归问题。本系列文章就对SVM的原理做一个总结。本篇的重点是SVM用于线性分类时模型和损失函数优化的一个总结。
1. 回顾感知机模型
在感知机原理小结中，我们讲到了感知机的分类原理，感知机的模型就是尝试找到一条直线，能够把二元数据隔离开。放到三维空间或者更高维的空间，感知机的模型就是尝试找到一个超平面，能够把所有的二元类别隔离开。对于这个分离的超平面，我们定义为wTx+b=0wTx+b=0，如下图。在超平面wTx+b=0wTx+b=0上方的我们定义为y=1y=1,在超平面wTx+b=0wTx+b=0
延伸阅读
学习是年轻人改变自己的最好方式