支 持 向 量 机 及 Python 代 码 实 现 做 机 器 学 习 的 一 定 对 支 持 向 量 机 （ support vector machine-SVM） 颇 为 熟 悉 ， 因 为 在 深 度学 习 出 现 之 前 ， SVM 一 直 霸 占 着 机 器 学 习 老 大 哥 的 位 子 。他的 理论很优美， 各种变种改进版本也很多， 比如 latent-SVM, structural-SVM 等。这节先来看看 SVM 的 理论吧， 在 （ 图一 ） 中 A 图表示有两类的 数据集， 图 B,C,D 都提供了一 个线性分类器 来对 数据进行分类？但是哪个效果好一 些？ （ 图一 ） 可 能 对 这 个 数 据 集 来 说 ， 三 个 的 分 类 器 都 一 样 足 够 好 了 吧 ， 但 是 其 实 不 然 ， 这 个 只是 训 练 集 ， 现 实 测 试 的 样 本 分 布 可 能 会 比 较 散 一 些 ， 各 种 可 能 都 有 ， 为 了 应 对 这 种 情 况 ， 我们 要 做 的 就 是 尽 可 能 的 使 得 线 性 分 类 器 离 两 个 数 据 集 都 尽 可 能 的 远 ，因 为 这 样 就 会 减 少 现 实测 试 样 本 越 过 分 类 器 的 风 险 ， 提 高 检 测 精 度 。这 种 使 得 数 据 集 到分 类 器 之间的 间距（margin）最大化的 思想就 是 支持向量机的 核心思想， 而离 分 类 器 距离 最近的 样 本 成为 支持向量。既然知道了 我 们 的 目标就 是 为 了 寻找最大边距， 怎么寻找支持向量？如何实 现 ？下面以（图二）来 说 明如何完成这 些 工作。 （图二） 假设（图二）中的 直线 表示一 个 超面， 为 了 方面观看显示成一 维直线 ， 特征都 是 超面维度 加一 维度 的 ， 图中也可 以看出， 特征是 二维， 而分 类 器 是 一 维的 。如果特征是 三 维的 ， 分 类 器就 是 一 个 平 面 。假设超面 的解析式为，那么点 A 到超面 的距离为,下面 给出这个 距离证明： （图三） 在（图三）中，青色菱形表示超面 ，Xn 为数据集中一 点，W 是 超面 权重，而且 W 是 垂直于超面 的。证明垂直很简单，假设 X’和 X’’都是 超面 上的一 点， ,因此 W 垂直于超面 。知道了 W 垂直于超面 ，那么 Xn 到超面 的距离其实就 是 Xn 和超面 上任意...
