1.是什么/解决什么问题
二类分类模型，用来做binary classification/regression
2.如何解决多分类问题
a.一对多法：即做k次，每次分成这类和其他；
b.一对一：类之间两两都设计一个分类器，每次来个新样本跑遍所有分类器，比如(A,B)归为A类的话，A权重+1，(A,C)再归为A类的话，权重再加1，最后到底归哪类看最高的权重；
c.层次式的：先分为两类，再对每个子类分类，这样下去。
3.一些定义
问题：找到一个超平面，把数据分为两类，并且最大化两类数据到超平面的最小距离。
看图可知Margin，support vector是什么意思。
3.怎么做
（a）分类标准
常见的是logistic/线性回归。
一个线性分类器的学习目标便是要在n维的数据空间中找到一个超平面，超平面的方程就是 w^T * x + b =0; logistic回归就是在这个函数外面加上Sigmod函数。这个时候，新来一个点，代入方程就能判断是哪一类（函数值-1/1）。
（b）如何求解
问题就是最大化几何间隔（Margin）。
推导比较长，见：SVM求解。
求解的关键步骤：
1.max Margin --> max 2/|w|^2 (或者min |w|^2)。原因：三条线：w^T·x+b=1 / w^T·x+b=0 / w^T·x+b=-1，线直接的距离就是这么算。
2.约束：yi (w^T·xi+b) >=1。这个是和label的关系，yi这里可以是1或者-1。
3.拉格朗日乘子法变成对偶问题，再用用迭代求解对偶问题
4.拓展
（a）核函数
x --> phi(x) , 核矩阵为K = |k(xi,xj)|。
定理：只要是半正定的矩阵，都可以是核矩阵。
核函数常见的是线性（xi^T·xj，就是原SVM）、多项式、sigmoid等等
（b）软间隔
min |w|^2 + C·loss
