本章讲述了SVM，相比于《统计学习方法》，从逻辑回归的角度更容易理解了。

更多内容参考

从逻辑回归来看，看损失值与Z的值的关系：

代入原来的是指，可以化简公式：

总结来说：如果y=1，我们希望z的值大于等于1，如果y=0，我们希望z的值小于-1，这样损失函数的值都会为0.

线性可分的决策边界：

但是这种情况对于异常点是非常敏感的，比如有一个红点，那么决策边界就会发生很大的变化。

此时希望C不要太大，即λ非常大，鲁棒性更强。

对于向量空间中的两个向量，向量的內积等于p*向量U的长度。

这样θTx就转换成了对向量θ的投影了

在逻辑回归中基于决策边界进行分类，但是特征需要手动来创造，很难去造全比较好的特征

首先假设几个样本的参照点，l1,l2,l3，然后计算每个x与这三个点的相似度，这里是用的高斯混合

这个similarity就是kernel函数。

similarity最大是1，最小是0。当两个向量一模一样的时候等于1。

通过选取的点与计算出f值，然后带入到公式，就能得出决策边界：

如何选择l呢，最简单的就是把所有的样本点都当做l。然后计算x与所有样本点的高斯核：

有很多的软件可以算SVM了，只需要选择参数C和kernel函数就行了

逻辑回归和SVM的区别：

• 1 如果特征的维度比样本的维度还高，使用逻辑回归或者不带核函数的SVM。因为没有那么多数据来拟合更高级的函数
• 2 如果n很小，m适中，那么可以使用高斯核的SVM
• 3 如果n很小，m很大，那么使用逻辑回归或者不带核函数的SVM都可以，不然使用高斯核计算会很慢