第6章——支持向量机（《机器学习实战》）

支持向量机

SVM（Support Vector Machine）本质上是一种用于二分类任务的分类算法，其基础模型被定义为在特征空间中实现最大间隔的线性分类器，该算法的核心思想是通过最大化间隔来构建分类边界，这一过程最终可以转化为求解一个凸二次规划问题。此处不进行整个推导过程，因为参考了大量相关博客内容，其中几篇由资深作者撰写的博客已详细阐述了相关原理，因此本文仅展示代码并附上个人编写的注释内容。

1. 希尔伯特空间（Hilbert Space）
2. 支持向量机通俗导论（理解SVM的三层境界）
3. 机器学习经典算法详解及Python实现–基于SMO的SVM分类器
4. 机器学习算法实践-SVM中的SMO算法

代码实现

(1)对SMO算法进行简化后,在内层循环中随机选择变量:

    #!/usr/bin/env python
    # -*- coding: utf-8 -*-
    # @Time    :  //
    # @Author  : FC
    # @Site    : 2655463370@qq.com
    # @license : BSD
    from numpy imp