svm算法理解

实现参考：
https://zhuanlan.zhihu.com/p/350535962

算法

svm做二元分类，就是样本只能分为10，算是样本的标签
然后是求支持向量，st.到超平面距离最大。

by:https://www.cnblogs.com/mantch/p/10165425.html

实现：

1. Svm的决策函数从训练集中确定

2. svm不同核函数效果不同（线性核函数、多项式核函数、高斯核函数等），怎么各不同？
     线性可分和线性不可分什么关系，为啥线性不可分要用高斯核怎么判断呢，细节查阅凸包和样本集线性可分指可以使用一个线性函数分开样本，二维直线，三维平面，即Wtx+b = 0；

3. 使用高斯核函数建立疲劳分类模型，输入为样本特征，输出二元变量01，0代表非疲劳，1代表疲劳。

学习：

高斯核跑完有如下几个问题

1. 算术表达式的实现，高斯核那里为什么做的是内积求2范数
2. 模型训练集，要求疲劳的样本标记提前知晓（所以才说要用疲劳量表），到这里终于区分了聚类和分类的典型区别，聚类不需要知道样本的差异
3. 明明算法结构没有变，为什么每次运行识别的准确度会变
4. 高斯核中sigma的最开始取值范围是怎么找到的