本人水平有限，如果有错误的地方，希望各位大神能够不吝赐教，及时指正。
老规矩，喝水不忘掘井人，首先要感谢发明SVM算法的前辈Vapnik。其次，也要感谢Sean的引领，把我带入这一行，否则，光靠我自己摸索，会花去更多的时间、精力。最后，要感谢无数的人，那些对我的思考方式产生影响的人。
【我们生在一个不算太坏的时代，Vapnik前辈刚刚提出SVM算法的时候，局限于那个年代计算机计算能力的不足，根本没有多少人重视SVM算法。】
又是一次喜忧参半，喜的是，技多不压身，又多了一个解决问题的手段，忧的是，这个手段....好像也不能指望其预测股价啊。
SVM算法的推导过程中，将使用到拉格朗日乘数，还有一些向量知识。SVM其实也是一种分类算法，当然了，分类算法可以有很多，不过，SVM确有其强大的地方。【较之于上一篇的神经网络，SVM是一个凸空间，所以不会存在局部极值的问题。】
【这里又要插句题外话，你们可能在其它某个地方，会看到“聚类”这个词，虽然只和“分类”差了一个字，但是在算法上，意义完全不同。假如，你看到一群人，如果我让你用肉眼去观察，超过178公分（为什么是178，因为Binhao的身高是178）的为一类人，不超过的为另一类人，那么，这个就叫分类。如果我不给定“178公分”这个指标或者说标签，让你把这些人归类，那你可能会这样做：自己衡量一个度，高的为一类，矮的为一类，或者以胖的-中等-瘦的归类，或者戴不戴眼镜、头发长中短、肤色等等，所有这些，我都没有指定某个指标或贴上某个标签，完全是你根据这群人当中每个人的特点，来自己归类，这个就叫聚类。所以也可以看出，分类是有监督的，聚类是无监督的。】
来看这样一副图：
如果要把图中的红点和蓝点，用界线区分开，那不同的分类算法划出来的线可能会不同：
绿色的界线可能来自神经网络，黄色的界线可能来自决策树，紫色的界线就是单纯的一条直线，也可能是来自KNN（最近邻居算法）。
然而，虽然我画图不怎么样，但是审美还是可以的，而且估计强迫症犯了，总觉得这些线条都不太完美。但是我一下子又想不出来更完美的线条。大自然是神奇而美妙的，它给了我们无数的馈宝。于是，我夜观天象，（我们应该致力于环境的保护，不然晚上看到的天空都是灰蒙蒙一片。但愿AI能够在环保也做出巨大贡献。）无意之中，神奇而美妙的星空，给了我灵感。如果我把图-1稍加修饰一下：
我把图-1中的蓝点用蓝线连了起来，红点用红线连了起来，这看起来像什么？蓝色的点阵就好像夜空中的天鹰座，红色的点阵就好像夜空中的天琴座。你不太知道这两个星座没关系，不过你一定听说过，牛郎星和织女星。仔细再看一下，最大的那颗蓝色的点就是牛郎星，最大的那颗红色的点就是织女星。
虽然我肉眼无法观测到银河，但是我可以想到，把天鹰座和天琴座隔开的，是银河。所以，又可以改动下图片：
我们知道，在天文学角度，牛郎星和织女星是不可能碰到一块的。但是在我国的古典文学典故里，为了分开牛郎和织女，这条银河被设计为尽可能最宽。
感谢大自然，感谢宇宙，这些灵感很重要。接下去，就该把这副图交给拥有七十二般变化的数学了。
SVM:Support Vector Machine，支持向量机。图-4虚线经过的点，如果把它们看作是一个个向量的坐标的话，这些坐标将有助于确定一个几何空间中的超平面，这个超平面用来区分这些数据，所以称之为支持向量，那么“机”呢？我不知道，我真的不知道。但Sean说得是对的，就是算法的意思。汉语里，我们会说，“我写了一套【代码\程序\软件\系统】”，很多时候，中括号里的四个词都是可以互换的，细微的差别只在于听的人感受到的高大上的程度不同而已，所以，英语里“Learning、Machine、Algorithm”也是同一个道理。
那么我们来看看，向量究竟能帮助我们解决那些困惑：
（这些直线都不太直，希望你们能体谅一下。）
假设，有向量w，对向量w暂且只有一个要求，在方向上，它垂直于作为分割的那条实线。同时，我们知道，银河之中还有很多星星点点，分布于实线两侧、虚线之内，假设其中就有一点x，我们看作向量x。
因为w是垂直于实线的，所以向量x在w上的投影，如下图所示：
黄色线条即为x在w上的投影，记为wx【老规矩，键盘输入限制，也是为了节省时间，箭头就不画了，但这里实际表示的是向量】。
如果这条黄色投影的长度越过了实线，也就是超过了某个长度，我们认为它就是一类（或者说正例），记为 wx - c >=0，反之，就是另一类（反例），记为 wx - c <0。
多么熟悉的片段，故伎重演，令c = -b，则有：wx + b >0 和 wx +b <0。
到这里还没有完，因为x是在两条虚线内的，我们现在是要对两条虚线外的点进行分类，所以我们不得不再次使用数学上的便利。
假设有一个正例的x（右侧虚线外），则我们要求 wx + b >= 1，对于反例的x（左侧虚线外），则 wx + b <= -1。【注意，这一行的x只是名字上和上面几行的x一样，代表的意义已经不同。这正是之前提到的，不要被公式的不同表达形式给蒙蔽。】
再假设有一个变量y，当wx + b >= 1时，y等于1；当wx + b <= -1时，y等于-1。
在等式两边都乘以y，对于正例的x，有：y(wx + b) >= 1；对于反例的x，也有：y(wx + b) >= 1 【wx + b <= -1的两边同时乘以了值为-1的y】。
y(wx + b) >=1，即y(wx + b) - 1 >= 0。
但我现在要让y(wx + b) - 1 = 0，等于0在图像上意味着，在那两条虚线上。
在我国古典文学典故里，七夕是牛郎织女相会的日子。现在假设在七夕那天，织女来到银河边，牛郎早就已经等在银河的那边了。因为银河被设计为尽可能宽，所以，接下来，在喜鹊搭建鹊桥的时候，数学是否能够帮助我们计算出这个最大宽度呢？
由图可知，向量z代表织女星，向量n代表牛郎星，两点之间的直线距离为：向量z-向量n，记作(z-n)【箭头省略了，你们懂的】。
w是条垂直于直线的向量。所以，河的宽度为：(z-n)w / ‖w‖。
虽然这里n代表了牛郎星，z代表了织女星，但是往上翻一翻，n其实就是之前“反例的x”，z就是“正例的x”。由y(wx+b) -1 = 0以及正反例下y的取值(-1,1)，可得：nw = -b - 1, zw = -b + 1。所以：(z-n)w / ‖w‖ = [-b + 1 - (-b - 1)] / ‖w‖ = 2 / ‖w‖。
现在要求河的宽度（ 2 / ‖w‖）的最大值，也就是求‖w‖的最小值，又是老生常谈了，也就是求1/2 * ‖w‖^2的最小值。
但是，这次的求极值，与以往有些不一样。因为：1/2 * ‖w‖^2是有约束条件的，w必须满足y(wx+b) -1 = 0。在带有约束条件的函数求极值的情况下，我们要引入拉格朗日乘数，从而摆脱约束条件的束缚。
我们用R表示河宽：【要求极值的函数 - 总和（拉格朗日乘子 * 约束条件函数）】
R = 1/2 * ‖w‖^2 - ∑λ[y(wx + b) - 1]
= 1/2 * ‖w‖^2 - (∑λywx + ∑λyb - ∑λ) 【敲黑板，w，x是向量，原因你们懂的】
接下去又回到熟悉的套路了，对w求偏导，并令偏导函数结果为0：
ΔR/Δw = w - ∑λyx = 0【上一篇提到的，对w求偏导，就把除w以外的皆看作常数，常数的导数为零，再配合函数加法及乘法求导规则】
所以 w = ∑λyx。
对b求偏导：
ΔR/Δb = ∑λy = 0，所以，∑λy = 0。
再把 w = ∑λyx 代入R，得：
R = 1/2 * (∑λyx)(∑λyx) - (∑λyx)(∑λyx) - b∑λy + ∑λ，代入∑λy = 0，得：
R = ∑λ - 1/2 (∑λyx)(∑λyx) = ∑λ - 1/2 ∑∑λλyyxx 【两个样本点积】
河的最大宽度取决于两个样本的点积。
于是就有：wx + b = (∑λyx)x + b（也取决于两个样本间的点积）
这两个式子（河宽与虚线）都与样本的线性和有关联。我们来反思一下，我们为什么要引入拉格朗日乘数？因为要求河宽的极值。河宽边界上有什么？支持向量，因为落在边界（虚线）上的的向量可以确定一个超平面，所以叫支持向量。那也就是说，拉格朗日乘数只参与到支持向量的确认中，如果某个向量不是支持向量，那么拉格朗日乘数就对它没有效果，也就是λ=0。而非支持向量的数量一般来说，总是多于支持向量，所以在∑λyx中，很多项都为0。
【本段粗斜体部分，包括图-12，为今早追加部分。是昨晚入睡时，突然顿悟Sean曾经举例过的两个圆相切的例子。但愿你们还记得上一篇神经网络提到的等高线图，不同的是，上一回是用来爬山，所以越里面的圆，高度越高，这一回，1/2 * ‖w‖^2是个多维空间的凸空间（图-12红圈部分），所以又回到了梯度下降，即越往里面，高度越低。为了简化形式，令f(w) = 1/2 * ‖w‖^2；g(w) = y(wx + b) - 1 = 0（河的边界，也就是那两条虚线）。由已知情况可得，f(w)是在朝里移动，f(w)朝里意味着河的边界在扩大，也就是g(w)在朝外侧移动（图-12绿圈部分），当f(w)与g(w)外切时，这一切点上，它们两个方向相反，大小不等。所以要令f(w) = λg(w)，这样，f(w)的导数 = λg(w) 的导数，推得：f(w)的导数 - λg(w) 的导数 = 0，也就是 (f(w) - λg(w))的导数 = 0，就是再上面的一大串公式推导了。从图里也能看出，λ大于等于0，而且它不是对所有的满足f(w)的w有约束。】
当然，如果遇到噪音，或者一些脱离群体的数据，比方说，图-7中的织女星z，如果通过鹊桥来到银河对岸，那么这个时候，银河就不能把她和牛郎星分开，即“线性不可分”【图-8】
这个时候，我们引入松弛变量，希腊字母'ζ'，以及惩罚因子，C，放弃这类点。
【C是事先我们自行指定的值，可以调整。】
如果仅仅是平面线性分类，那似乎SVM也没有体现出多少强大，反而展现了其计算复杂的一面。我们古人怎么形容一个人的能力的，如果要表示一个人的能力非常非常非常非常厉害？
“斗转星移、扭转乾坤、神鬼莫测、夺天地造化 ....”。假设出现了这样一种能力，宇宙空间被改变了，天鹰座和天琴座拟合到一块去了，见图-10：
显然，这是线性不可分的。
“天地之初，一片混沌，盘古一划，开天辟地。”
还记得上一篇提到的等高线图么？假设图-10也是俯瞰所得，现在，你跑到平地，从侧面正视，应该就是图-11的样子：
“盘古一划，开天辟地”，从平面的线性不可分，被拔高到多维平面的可分。这个时候再回过头去看图-10，你脑海里会自动绘制一条曲线来分割不同色彩的点。手中无剑，心中有剑，这就是一个看山是山-看山不是山-看山是山的过程。
以上大部分都是文学修辞色彩，在数学上，我们继续引入其它功能：核函数。
【我曾询问过Sean，核函数可不可以我们自己写一个，Sean说可以，但是要遵循Mercer定理，我去简单查了查Mercer定理，意识到这是一个关于矩阵的“深渊”，我决定暂时先不往里跳了。】
很明显，从图-10的二维平面，到图-11的多维平面，向量的坐标被变化了，假设变化后的x为：
change(x)，我们已经知道，最大宽度与边界只与样本间的点积有关（change(x1) change(x2)），所以，核函数的功能就是为了计算出变化后的样本向量的点积。
假设核函数K，那么有：K(x1, x2) = change(x1) change(x2) 【鉴于键盘输入限制，也为了节省时间，向量的箭头省略了。】
那我们可以采用哪些现有的核函数K呢？
e^(- ‖x1-x2‖ / σ)
【看到这个函数，我们应该能自然联想到，它可能会导致过拟合。】
还是那句话，没有哪个算法是万能的，关键还是在于把实际问题抽象到输入向量。
本人水平有限，如果有错误的地方，希望各位大神能够不吝赐教，及时指正。
抛了两块砖了，写得不好，望轻拍。