版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/cg129054036/article/details/84819179
目录
注：这一章SVM可能有点难理解，强烈建议大家把本章的编程作业做了。
1）Optimization objective
我们换一个角度来看看我们之前学过的逻辑回归：
我们得到了支持向量机的代价函数：
2）Large Margin Intuition
下图是我们的支持向量机模型：代价函数定义略有不同：
现在我们来看看我们的决策边界：
我们来看一个线性决策边界：这有四条边界，其中黑色边界是最好的，最大间隔分类。
3）Kernels 1
我们来看一个非线性决策边界：
我们可以通过地标来构造新特征：
来看一个例子：
下图显示了我们使用地标位置确定的决策边界。
4）Kernels II
实际使用中我们如何选择地标呢？
于是我们得到SVM核函数：
我们得到新的代价函数：
下图显示了SVM参数的影响：
5）Using an SVM
使用SVM我们需要选择合适参数和核函数：
下图显示了使用逻辑函数和SVM的准则：
