这个系列是为了应对找工作面试时面试官问的算法问题，所以只是也谢算法的简要介绍，后期会陆续补充关于此算法的常见面试的问题！

首先SVM是支持向量机support vector machine的缩写，它是现在使用比较广泛的一个分类算法（二分类），是一个线性分类器！

当数据是线性可分的时候：

SVM是在空间找一个分类超平面，将数据分开，下面以二维为例

（1） （2）

SVM要做的就是找到（1）中间那条线（三维的话是一个面，更高维是一些其他什么的。。。），但是光找到那条线是不够的，因为这样的线是有无数条的（2）。显然（2）中中间的那条要比旁边的那两条要好，因为它与两边的数据的隔得很开，分类时候抗噪性能比旁边那两条要好。那么如何找到中间那条线呢，这就是SVM要解决的问题。

如上图，，，得到，之后转化为最优化的问题，由于直接最大化最大间隔是一个非凸优化问题，将其转换为求最大间隔与||W||的比值（满足的条件是f(x) >= 最大间隔），为了计算方便，将最大间隔置为1，这也是我们看到的最终需优化的式子。

显然优化这样的式子，肯定是拉格朗日乘子法，这个式子不太好求，将1/||w||转换为0.5*||w||*||w||，

，令，也即求min(max…),

转化为对偶问题有式子min(max..) >= max(min..)(求这项)，之所以转化为对偶问题，一是两个式子解相仿，而是求解更简便。上面的式子满足KKT条件，求解得到L(w,b,a)是一个关于a的式子。

之后的优化工作就交个了一个叫做SMO（序列最小化算法）。

当数据是线性不可分的情况下，SVM求解分类的超平面是使用核函数。有的数据在低维空间不可分，但是映射到高维空间后它可能是线性可分的，比如，一维线上的点不线性可分，映射到二维（平方函数）就可能可以分开了。但是在映射的时候有一个问题，是一个计算问题，低维空间映射到高维空间，在高维空间上直接计算的话回产生一个维灾难的问题（2->5, 3->19…）。这个地方就引入了核函数，核函数是计算两个向量在隐式映射过后的空间中的内积的函数，通过核函数可以使数据不用在映射后的高维空间中计算，而是在原来的低维空间中计算（在原来的低维空间上做内积）。

以上就是SVM的简要介绍，当然里面很多细节是没有说出来的，毕竟面试刚开始要你介绍你也不会说的很细节不是。不过面试官肯定会问你关于SVM的一些细节知识，只知道个大概是没有用的。

补充一些细节知识：

1、关于松池变量

如下图：

这个图给出了两组超平面的画法，每组两边的超平面都能将数据区分开来，但是离两边的数据点非常近，二中间的那个超平面会错分某些点，但是其具有很好的边界效果。显然中间这个超平面比较好，因为它的鲁棒性很好。

SVM允许数据点在一定程度上偏离超平面，这个反应在约束条件ai中，本来约束条件是ai >= 0，现在约束条件变为：C >= ai >= 0；

松弛变量的引入也就是允许某些点离超平面的距离小于1，也即放弃了这些点的分类精度，惩罚因子决定了对离群点的重视程度，C越大，表示分错某一个点需要付出更大的代价（这个可以一定程度上缓解正负样本数量相差太大的问题）。

2、