项目地址 https://github.com/MLEveryday/100-Days-Of-ML-Code
原项目这一天给出的是代码，和第13天实现的代码相同，那么我今天就继续从理论上理解一下SVM。
找到一篇解释SVM的文章。地址是http://www.blogjava.net/zhenandaci/archive/2009/02/13/254519.html。现简单记录如下：
（一）SVM的八股简介
一些概念：
1、机器学习本质：对问题真实模型的逼近
2、风险：模型与真实情况的误差累积
3、泛化误差：真实风险=经验风险+置信风险
4、SVM支持非线性：SVM擅长应付样本数据线性不可分的情况，主要通过松弛变量（惩罚变量）和核函数技术来实现，这一部分是SVM的精髓。
（二）SVM入门 线性分类器Part 1
一些概念：
1、线性可分：用一个线性函数能把样本完全正确地分开，数据是线性可分
2、线性函数：一维空间里，是一个点；二维空间里，是一条直线；三维空间里，是一个平面；可以如此想象下去，如果不关注空间的维数，这种线性函数还有一个统一的名称——超平面（Hyper Plane）。
3、向量：一般指列向量，表示行向量时加上转置
（三）SVM入门 线性分类器Part 2
一些概念：
1、范数：||w||，向量w的范数。
范数是对向量长度的一种度量。常说的向量长度，指的是2-范数，范数最一般的表示形式为p-范数，可以写成如下表达式
向量w=(w1, w2, w3,…… wn)，它的p-范数为
![clip_image004[10]](http://www.blogjava.net/images/blogjava_net/zhenandaci/WindowsLiveWriter/SVMPart2_C019/clip_image004%5B10%5D.gif){kind=small}
2、几何间隔：H1到H的距离
未完待续
参考：SVM入门 http://www.blogjava.net/zhenandaci/archive/2009/02/13/254519.html?page=2#pagedcomment