一张图掌握SVM——支持向量机

前言：     

笔者在学习SVM的过程中找了很多书籍、资料以及学习笔记，但是感觉看起来都云里雾里莫名其妙，始终不得要领，最近在看《统计学习方法》---李航---清华大学出版社---ISBN978-7-302-27595-4一书时，发现其在第7章-支持向量机中对SVM的讲解犹如行云流水，SVM进行深入浅出的讲解，对新入坑的非常友好，能够快速的掌握SVM核心知识，故特将笔者自己的学习心得制作为本图。     

本图特地模仿人脑视觉皮层对事物的处理模型，按照 事物本身的宏观表现---》抽象出特定的问题描述---》套用SVM固定概念框架---》逆向解析复杂问题简化为简单问题的思路---》最终达到能够适配所有表象的数学抽象原理     这种逐层抽象模型对SVM进行了分解： 

编后：    

 严格来讲，对SVM的翻译——支持向量机并不准确，支撑向量机会更加贴切：样本空间中的重要少数样本支撑起了间距最大化判定区间，故上图中均是“支撑向量机”。     

对于宏观问题由繁向简的解决问题思路：我们可以将复杂对象的分类转化为高维特征空间【希尔伯特空间】的分类，对于这种高维特征空间我们暂时无法进行直观的想象，但是根据正定核的定义以及相关核函数技巧【已经验证过的核函数：多项式核函数、高斯核函数、字符串核函数】将高维特征空间映射到低维的抽样样本空间，且无需知道具体的映射规则就可以求得