关于SVM（support vector machine）----支持向量机的一个故事

一、预告篇：

　　很久很久以前，有个SVM， 然后，……………………被deep learning 杀死了……………………………………

.

完结……撒花

二、正式篇

　　好吧，关于支持向量机有一个故事 ，故事是这样子的：

在很久以前的情人节，大侠要去救他的爱人，但魔鬼和他玩了一个游戏。

魔鬼在桌子上似乎有规律放了两种颜色的球，说：“你用一根棍分开它们？要求：尽量在放更多球之后，仍然适用。”

<img src="https://pic2.zhimg.com/50/5aff2bcdbe23a8c764a32b1b5fb13b71_hd.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

于是大侠这样放，干的不错？

<img src="https://pic2.zhimg.com/50/3dbf3ba8f940dfcdaf877de2d590ddd1_hd.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

然后魔鬼，又在桌上放了更多的球，似乎有一个球站错了阵营。

<img src="https://pic4.zhimg.com/50/0b2d0b26ec99ee40fd14760350e957af_hd.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

SVM就是试图把棍放在最佳位置，好让在棍的两边有尽可能大的间隙。

<img src="https://pic2.zhimg.com/50/4b9e8a8a87c7982c548505574c13dc05_hd.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

现在即使魔鬼放了更多的球，棍仍然是一个好的分界线。

<img src="https://pic4.zhimg.com/50/7befaafc45763b9c4469abf245dc98cb_hd.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

然后，在SVM 工具箱中有另一个更加重要的 trick。 魔鬼看到大侠已经学会了一个trick，于是魔鬼给了大侠一个新的挑战。

<img src="https://pic4.zhimg.com/50/558161d10d1f0ffd2d7f9a46767de587_hd.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

现在，大侠没有棍可以很好帮他分开两种球了，现在怎么办呢？当然像所有武侠片中一样大侠桌子一拍，球飞到空中。然后，凭借大侠的轻功，大侠抓起一张纸，插到了两种球的中间。

<img src="https://pic4.zhimg.com/50/55d7ad2a6e23579b17aec0c3c9135eb3_hd.png" data-rawwidth="300" data-rawheight="167" class="content_image" width="300">

现在，从魔鬼的角度看这些球，这些球看起来像是被一条曲线分开了。

<img src="https://pic3.zhimg.com/50/e5d5185561a4d5369f36a9737fc849c6_hd.png" data-rawwidth="300" data-rawheight="225" class="content_image" width="300">

再之后，无聊的大人们，把这些球叫做数据 「data」，把棍子 叫做分类器 「classifier」, 最大间隙trick 叫做最优化「optimization」， 拍桌子叫做核「kernelling」, 那张纸叫做超平面「hyperplane」。

文章来源：

0、http://www.cnblogs.com/sunbinbin/p/5827449.html

SVM其他链接：

1、http://www.jianshu.com/p/4e7103978c92

-- SVM通俗理解

2、http://www.dataguru.cn/forum.php?mod=viewthread&tid=371987

--核函数相关，那个会转的图不错

3、http://blog.csdn.net/v_july_v/article/details/7624837

--SVM大全，从入门到放弃

4、http://www.csie.ntu.edu.tw/~cjlin/libsvm/

--一个很不错的svm网站，内部有个黑框，可以自行调整参数C，ε，对线性核RBF核会有个直观感受

5、http://blog.csdn.net/abcjennifer/article/details/7849812

--SVM的细致推导，源自一个网易公开课，

6、https://en.wikipedia.org/wiki/Support_vector_machine

--wiki百科--自由的百科全书

7、http://open.163.com/movie/2008/1/C/6/M6SGF6VB4_M6SGJVMC6.html

---Andrew Ng，机器学习大神