机器学习用于SVM支持向量机

关于SVM支持向量机的机器学习方法
SVM支持向量机源自模式识别领域中的广义肖像算法，是一种用于分类的模型。
早在二十世纪六十年代，支持向量的概念便已被提出，而支持向量机则是在1995年才被正式发表。由于其在文本分类任务中表现出色，该方法迅速受到广泛关注并广泛应用，直至2012年深度学习神经网络技术的兴起才逐渐被取代。不过，即便如此，目前该方法在多个领域仍有较多应用。因此，支持向量机作为机器学习中的重要算法之一，在面试过程中常常成为考察的重点内容。
支持向量机主要包括：

    线性可分支持向量机：当训练数据线性可分时，通过硬间隔最大化，学习一个线性分类器
    线性支持向量机：当训练数据集近似线性可分时，通过软间隔最大化，学习一个线性分类器，又称为软间隔支持向量机
      非线性支持向量机：当线性数据不可分时，通过使用核技巧以及软间隔最大化，学习非线性支持向量机
    
    

文章结构概述

• • 1、线性可分支持向量机
    • • • 1.1 线性可分支持向量机的基本定义

    • 1.2 函数间隔与几何间隔的定义

    • 1.3 最大化间隔的原理

    • 1.4 学习过程中的对偶算法

    • 1.5 实例分析

    • 2. 线性支持向量机

    • • • 2.1 线性支持向量机的基本概