支持向量机（斯坦福大学课程讲义Andrew Ng）

SVM算法是最流行的监督学习算法之一（很多人认为是最好的）。为了讲清楚SVM算法，我们需要先讨论一下间隔（margin）和分离数据的间隙（gap）。 下一步，我们将会讨论最优间隔分类器，其中用到了拉格朗日对偶。 我们也会接触到核函数，核函数提供了一种将SVM应用于高维（比如无限维）特征空间的方法。 最后我们讲解SMO（序列最小优化）算法，它是SVM算法的高效实现。

1.间隔：直观
这部分给出了间隔和预测的“可信度”的直观介绍。 对于逻辑回归来说，概率P(y=1│x;θ)被模式化为h_θ (x)=g(θ^T x).当且仅当h_θ (x)≥0.5或者是θ^T x≥0，我们将预测结果为1.考虑一个正的的训练样本（y=1）. θ^T x越大，h_θ (x)=P（y=1|x;w,b）就会越大，我们就会认为标签为1 的可能性越高。这样我们就会认为当θ^T x≫0时，y=1的可信度很高。相似的，我们就会认为逻辑回归做出如下预测，当θ^T x≪0时，y=0。对于一个训练集来说，如果我们能找到参数θ使得当y^((i))=1时，θ^T x^((i))≫0, 当y^((i))=0时，θ^T x^((i))≪0,才能得到对训练数据的良好的拟合，因为它反映了对于所有训练样本的正确的分类。我们将利用函数间隔来形式化这种分类从而实现良好的拟合结果。
对于直观上的不同类型，如下图，×代表正例的训练样本，0代表负例的训练样本，决策间隔（这条直线根据等式θ^T x=0，也叫分离超平面）为下图直线，还有三个点分别标注为A,B,C。

注意到点A远离决策面。如果对点A做出预测，那么我们一定十分确信y=1。相反的，点C离决策面很近，虽然它在决策面做出预测y=1的那一边，但是如果决策面稍微移动，就有可能结果为y=0。因此，相对于C的预测结果，我们更加确信A的预测结果。点B在A，C两个实例之间，从而我们认为当一个点离分离超平面越远时，我们则更加确信我们的预测结果。通常，我们设法找到一个好的决策间隔，使得在训练样本上做出的数据全部为正确的和可信的（意味着远离决策间隔）。稍后我们将要使用几何间隔来形式化的表示上述说法。

由于文章涉及的公式过多，而编辑器不能很好的显示这些公式，所以我已经整理成文档供大家免费下载，请多多指教。

http://download.csdn.net/detail/aq_cainiao_aq/9797000

目录：
1.间隔：直观 1
2.数学符号 3
3.函数间隔和几何间隔（Functional and geometric margins） 3
4.最优间隔分类器（The optimal margin classifier） 6
5.拉格朗日对偶性 8
6．最优间隔分类器 11
7.核函数 15
8.正则化和不可分离的情况 20
9. SMO算法 22
9.1 坐标上升 22
9.2 SMO 24