Support Vector Machine 这个名字挺唬人的，其实思想很朴实：我们有两堆数据（分别标记为「+1类」和「-1类」），想在它们之间找一个分界面，使得两边的点距离这个分界面都够远。这就相当于在两组点中间划出一块深沟，所谓的 support vector（支撑向量）就是卡住边线的那些点（数学家喜欢把「点」叫做「向量」）。
分界面
我们令f(x) = w x + b，假设分界面为w x + b = 0，即f(x) = 0，且满足：标记为+1的点f(x) > 0，标记为-1的点f(x) < 0。那么可以算出某个数据点距离分界面的距离γ为：
但这个γ是带正负号的，为了保证γ永远为正，我们给它乘以sign( f(x) )（也就是标记的y值）：
我们的目标是，让找到的那个分界面的γ值最大：
γ其实是一个以 w 和 b 为参数的函数。我们调整不同的 w 和
b 得到不同的划分方式。
w = (0.7, -1), b = 1, γ = 1.67011
w = (0.2, -1), b = 1, γ = 0.159801
我们把它画出来看看：
L(w, b)
最大值点在(0.78801, 1.22344)，其值为2.18479。
换个角度
至于具体怎么找到最大值点的就不写了，大概是用核方法[1]把数据映射到高维空间，再用 Lagarange 乘数法的进阶版本找到极值点。
太多技术细节了，心累☹️
P.S. 据说 SVM 做手写数字识别的精度可以媲美深度学习😱 但我还是不喜欢它，因为它直接一步跳到了结果，中间没有任何人类可以嫁接的知识树（表征）。
参考资料：
- pluskid 的《支持向量机系列》
-
核方法的好处是：既能享受到数据在高维展开以使其线性可分的好处，又能避免高维空间的运算量爆炸。 ↩
