Tinghua Data Mining 7

SVM

B分割得更加無偏 比較公平

卡着分界面的點叫支持向量，就比如託着分界面 支持向量決定了可移動的範圍，這個範圍就叫margin 分界面可移動的距離

前提是先要被分對

對偶問題通常是不等價的，可是在SVM這裏，在知足一些條件的前提下，是等價的。對偶以後，只有alpha，沒有w和b

不少alpha是等於0的，只有少數的alpha是不等於0的，非0的乘起來 支持向量

放寬了約束條件，好比學生學的太差，60分及格的話有人過不了，因而說加上10分以後可以有60分就能夠了。
既然放寬了，在目標函數中就要有所體現，要加上一個懲罰量。

映射不是惟一的。

不用去設計映射，由於高維空間的數據長什麼樣子你也不知道，它都是使用集中固定的映射方法。這是其中一種。

向量做內積

既發揮了高維空間中好劃分的優勢，又迴避了高維空間計算量大的缺點，使用原始空間計算。刷了一個小把戲，小聰明。

多項式核函數是映射到 m^2 / 2 維 而高斯核函數是映射到無窮維，可是隻用在原來的維度作運算。核函數是不能隨便定義的，必須知足必定的條件才行。