SVM基础

SVMs是对数据分类一种有用的技术。尽管sVM被认为比神经网络容易点，而用户由于不熟悉SVM，在开始时经常得到不理想的结果。

我们的目的是让初学者获得可接受的结果。

尽管用户无需理解SVM的基础理论，但简单的介绍这些必要的基础对于我们实际操作是必要的。一个分类工作常常把数据分为训练集和测试集。训练集中每个样本都包含一个“目标值”和一些属性值。SVM的目标就是产生一个模型（基于训练数据），这个模型将预测测试数据的目标值，当然仅由测试数据的属性值决定。

给出一个训练集的实例（Xi,Yi）,i=1...l;Xi属于Rn，y属于（-1,1），

SVM要求下面优化问题的解决方案：

这里训练向量Xi通过函数被映射到更高（可能是无限）维空间。SVM在高维空间找到一个具有最大距离的线性超平面。

C>0是误差项的惩罚因子。另外，被称为核函数。尽管新的核函数被研究者不断提出，但初学者可以在SVM书籍中找到下面四个核函数：

这里，，r和d是核函数参数。

第一篇先翻译这么多吧，接下来再翻译点核函数，发现网上很多关于核函数的介绍都是转来转去，真正经典的还是一些外文的介绍吧！