Q：支持向量机是什么鬼？
支持向量机不是一台“机”，而是一个算法。一般来说认为这是一个分类算法，而且分类效果极佳。
以基本的二分类任务为例。给定一堆训练数据，假设每个样本只有两个属性。我们试图在坐标系中找出一条线，把不同类的样本分开来。从图中可以看出，有多条直线可以把两类样本分开。但是从直觉上就可以察觉，在两类点中间的那条线（加粗那条），是最合适的。因为这条线离两类样本的距离都适中，因此最能适应新样本，也就是说泛化能力最强。
图中有很多样本，但真正决定这条线的位置和方向的，只有两个点，那就是每个类的点中离直线最近的点。因为它们代表了各自所在的类的边界，只有它们的变化会引起线的位置变化，所以说这两个点支持着这条线。这些样本在坐标系中表现为点，用代数表示就是向量（每个分量是对应的属性值）。这就是“支持向量机”算法名称的又来。
Q：怎样找出支持向量机用来分类的那根线？
支持向量机在样本属性只有两个的时候的任务是找一条线，在属性有三个的时候就是找一个平面。在样本属性有三个以上的时候找的是“超平面”。线、平面，都是超平面的特例，所以他们都可以用一个方程来表示：
这个方程就是我们要找的超平面的代数表示。其参数w和b就是我们要确定的参数，也就是我们要学习的目标。这个超平面也可以认为是使得分类函数f(x)=0的点集：
支持向量机的分类方式略有别于logistic回归——logistic回归是把样本值代入分类函数后得出一个0到1之间的数，根据这个数是否大于某个阀值（如0.5）来进行分类。
支持向量机则是把样本值代入分类函数后得出一个实数，根据这个数是否大于0来分类。而且在用训练数据训练过程中，会设置约束条件，让所有样本数据的计算值在 “>1” 和 “<-1” 之间。也就是在两个类别之间留出一道间隙。
由空间几何理论可以知道，空间中一个点到超平面的距离是
因为把样本值代入分类函数后得出的计算值在 “>1” 和 “<-1” 之间，所以超平面能正确分类的前提（即约束条件）之一是
那么离超平面最近的两个样本，代入分类函数后的计算值必然分别是1和-1。所以两个类之间的间隙就是这两个点到超平面的举例的和，也就是
要是的支持向量机效果最好，也就是说最能适应新样本，那就意味着是的两类训练样本之间的间隙最大化，所以我们的训练的具体目标就是——
求得参数w和b使得两类样本间的间隙最大，同时还要让各个样本代入分类函数后的计算值大于1（或小于-1）。
这个最值问题的求解过程相当烧脑，用到对偶问题思想、拉格朗日乘子法、KKT条件、SMO算法等，略过。
当我们把训练数据一个个输入支持向量机，逐渐调整参数w和b，最后得到了分类函数。这就是支持向量机的基本形式。
Q：如果得到的训练数据在各个类别的边界处彼此混淆，不能用一个超平面划分，怎么办？
现实中确实存在线性不可分的数据集
但我们可以将样本向量映射到一个高维空间，在更高维度的空间中我们就能找到一个划分各类的超平面了。这中数据升维的手段被称为核方法，其映射函数被称为核函数。
当样本向量x映射后，超平面的方程也就变成了
而训练的具体目标则变成了
