SVM存在的意义
要了解SVM存在的意义，首先从下面一个简单的二维数据集例子开始。
上面是一个线性可分的数据集。所谓线性可分，就是可以用一条直线将两类数据点完全分开。在图中，我们用圈圈表示负类，用加号表示正类。假设现在要用一条直线将正类和负类完全分开，显然会有无穷多个解，有无限多条直线可以完全分开正类和负类。
下图显示了其中一条可以完全区分两类的直线
图中的Decision Boundary既是决策边界，在决策边界右边的点被分类为正类，在决策边界左边的点被分类为负类。既然有无穷多的直线可以区分训练集的两类，那么是否有一个标准能够度量决策边界的优劣，从而在无穷多个直线当中选择一个最好的作为决策边缘，区分未知的点呢？答案是肯定的，这也是SVM存在的意义。SVM可以用来度量决策边界的优劣，下面我们将介绍SVM(支持向量机)对决策边界的度量规则，从而选出SVM认为的最好的决策边界。
SVM规则
这里我们还是以刚刚的决策边界为例子。在这幅图里，我们增加了一条与决策边界垂直，与最近的数据点相连的线段。这条线段的长度，我们称之为Margin。换句话说，Margin就是所有数据点到决策边界的最短距离。
SVM规定，在决策边界能够完全正确划分正负类的前提下，Margin的值越大越好。SVM算法目的就是要找出找出满足这两个条件的直线。因此SVM也称为Large-Margin算法。
Margin值越大越好的原因
下面我们用另一个Margin值比较小的决策边界作为例子，对比说明Margin值较大的好处。
假设现在用此决策边界预测图中绿色点的类别，很明显该点位于决策边界的左边，该点应该被分为负类。但是，在收集数据的时候，可能会存在误差。假设在数据收集的时候，某一误差使得绿色的点从原来的位置移动到了红色点的位置，即x1特征由于误差从0.2变成0.4。此时，红色点落在了决策边界的右边，决策边界判定这个点为正类，因此分类错误。
现在我们重新看回之前一个较大Margin的决策边界例子。
我们对同样的情况进行分析，即绿色点由于误差，使其位置从原来的位置移动到了红色点的位置。这个时候，红色点依然在决策边界的左边，决策边界判定这个点为负类点，此时对该点分类正确。
从上面两个例子可以看出，越大的Margin对误差的容忍度就越好。这能一定程度减小过拟合的问题。所以SVM规定，Margin值越大，决策边界越优，能够容忍更大的测量误差。
为什么要命名为支持向量机
很多人必定对支持向量机这个名字感到很疑惑。要知道支持向量机的命名缘由，首先要弄清楚什么是支持向量。下面我们还是以原来的例子说明这个问题。
在坐标里的每一个点都由多个维度组成，任何一个点都可以写成多维向量的形式，维度的值是每个特征对应的值。因此每一个点也可以称作是一个向量。图中的虚线是两条边缘，两条边缘得到的方式是让两条平行于决策边界的线向两侧平行移动，直到任意一条边缘与图中任意一个点有交集的时候，停止移动。
在支持向量机算法中，我们最终需要得到的是在能百分百区分正负类的前提下，得到一条拥有最大Margin的直线。Margin的值就是其中一条边缘到决策边界的距离。
我们很容易看出，Margin的大小仅仅和落在两条虚线上的数据点有关系，直线之外的点不管怎么变化，Margin的值都不会改变。这个算法仅仅需要落在两条虚线上的点的支持，其它点(图中虚化的点)可以不存在。因此我们可以把落在虚线上的点称为支持点。前面我们提到，一个点也可以称为一个向量，因此，我们或许可以把落在虚线上的点称为支持向量。
然而，落在虚线上的点仅仅能称作支持向量候选(Support Vector Candidate), 支持向量候选和支持向量的区别在后续的章节会有说明。SVM算法其实就是靠支持向量来计算最大Margin的一个算法，因此将其命名为支持向量机。
总结
在这一章简单介绍了SVM的存在意义。在后续的章节里，将会用几何以及高等数学的知识，推理SVM的计算过程，得到一个最佳的决策边界。在本章节里，只是介绍了线性SVM，所谓线性SVM就是用SVM解决线性可分的数据集问题。对于线性不分的情况，SVM也会有相应的方法解决，在后续的章节里也会有详细的推导。
