支持向量机（Support Vector Machine，简称SVM），属于监督学习。
核技巧（kernel trick）
名字很吓人，乍一听完全不懂什么意思，但其实它的名字是很有意义的。
1）首先，要清楚空间中点和向量的联系：一个点可以看成是以原点为起点，该点为终点的向量。例如，二维空间中，向量(x1, x2)=点(x1, x2)-原点(0, 0)。“支持向量”其实就是“支持点”。
2）支持向量机是一种二元分类模型，
超平面（hyperplane），少量样本，空间中点可以看做以原点为起点的向量，即支持超平面生成的向量，最好的分类算法，
超平面表达式：wTx + b = 0
拉格朗日乘子法（Lagrange Multiplier），
最简单的svm就是一条直线
会有很多分类满足条件
到两边的margin都最大
线性可分
KKT
VC维理论
结构风险最小原理
函数距离，几何距离
法向量：垂直于平面的向量
平行向量（也叫共线向量）
点到超平面的距离：
视频解释：
https://v.qq.com/x/cover/m05175nci67/m05175nci67.html
https://v.qq.com/x/page/k05170ntgzc.html
监督学习
不输出概率，只输出类别
高斯核（Gaussian kernel）
参考链接：