初识支持向量机（SVM）
我们来玩一个游戏：

首先在桌子上放两种颜色的球，它们似乎存在某种关系，那你能不能用一根木棒将两种颜色分开呢？要求：尽可能在桌面上放置更多的小球后仍然适用。

 
你大概会这么放吧：

 
为了测试你的答案是不是符合要求，我在桌上又放了更加多的蓝红小球，可以发现，一个红球被分错了位置：

 
支持向量机（SVM）可以白话为：试图找到一个木棍放置的最佳位置，使得木棍的两边有尽可能大的间隙。

 
如此一来，即使我放更多的红蓝小球，木棍仍然可以正确分开两种颜色：

 
看来我出的题目还是太简单了，下面我给你出个难点儿的问题：桌面上的小球按下图放置，你肯定不能直接用木棍分开两种颜色的小球了，要怎么办呢？

 
你可以用力拍桌子，使球飞到空中，然后快速用一张纸插到两种颜色的球之间。（只是为了便于理解，小孩子请勿模仿233333）

 
再从桌面的角度看这些小球，它们被完美地用一条曲线分开了。

 
我们可以定义几个高大上的名词，把这些小球叫做数据（data），把棍子叫做分类器（classifier），最大间隙trick叫做优化（optimization）， 拍桌子叫做核化（kernelling）, 那张纸叫做超平面（hyperplane）。

白话SVM原理
假设我们要通过一条线把实心圆圈和空心圆圈分为两类。
那么有无数多条线可以完成这个任务。
在SVM中，我们寻找一条最优的分界线使得它到两边的margin都最大。
在这种情况下边缘加粗的几个数据点就叫做Support Vector，这也是这个分类算法名字的来源。
如下图所示：

 
我们还可以将其扩展到任意nn维度空间上：

首先在11维到nn维空间中得到了一系列数据点
然后总能在n−1n−1维上找到一个最优超平面（hyperplane）

 
什么是支持向量机（SVM）？
下面阐述一下正经概念：

支持向量机（Support Vector Machine，简称SVM）是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。

通俗来讲，它是一种二分类模型。它不是一种机器，而是一种机器学习算法。其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

后记：在本节，你仅需对SVM有个大致的了解，在本系列后续教程中，我们会更加深入讨论支持向量机的原理以及应用场景，并配合实验来加深理解。