【译】SVM零基础系列教程（一）

英文原文连接：SVM - Understanding the math - Part 1 - The margin

译者注：本人研一，项目缘由须要了解SVM知识，奈何向量相关知识全都还给本科老师，这一部分彻底没看懂，直到看到了国外某博客写的这个SVM系列教程，深刻浅出，只要有初中数学基础便可看懂，特别适合我这样的。因而翻译该系列教程，帮助和我同样经历的同窗早日掌握SVM。

---

全系列目录：

• 小白学SVM系列教程（一）——间隔（margin）

• 小白学SVM系列教程（二）——向量

• 小白学SVM系列教程（三）——最优超平面

---

介绍

这是我写的SVM背后的数学原理系列文章的第一篇。有许多人说要了解SVM，充分的数学背景知识是必要的，不过我将尽可能由浅入深慢慢地讲解，以便每个细节都是清楚明白的，甚至对于初学者来讲也可以理解。

支持向量机（SVM）的目标是什么？

支持向量机的目标是找出可以最大化训练集数据间隔（margin）的最优分类超平面。

首先，咱们可以从定义中看出SVM须要训练数据，也就是说它是一种监督学习算法。

知道SVM是一种分类算法也是十分重要的，这意味着咱们将使用它去预测某个东西是否属于特定的类别。

例如，咱们拥有以下的训练数据：

咱们已经绘制了人群的身高和体重散点图，也用不一样的标记区分了男人和女人。

有了这些数据，咱们将可以使用SVM回答下面几个问题：

给定一个具体的数据点（身高和体重），这我的是男人仍是女人？
例如：若是知道某人身高175cm体重80kg，这我的是男人仍是女人？

什么是分类超平面？

经过观察上图，咱们可以发现分类这些数据是可能的。例如，咱们能够描绘一条直线而后全部表明男人的点都在直线的上边，表明女人的点都在直线的下边。

这条直线被称为分类超平面，以下图所示：

若是它就是一条线，为何咱们称它为超平面呢？

超平面是平面的抽象。

• 在一维空间，超平面是一个点

• 在二维空间，它是一条线

• 在三位空间，它是一个面

• 在更高维度上，你可以称它为超平面

在一维空间中，点L是一个分类超平面。

什么是最优分类超平面？

你可以找到一个分类超平面，但这并不意味着它是最好的那个！在下面的例子中有几个分类超平面，每一个都成功地将咱们的数据集分类为男人和女人两部分。

存在许多的分类超平面

假设咱们选择绿色的超平面而且使用它给真实数据分类。

这个超平面并不可以很好的分类数据。

此次，它分类出现了错误。明显，咱们可以看出，若是咱们选择了一个靠近某一类数据点的超平面，它也许并不能很好地分类数据。

所以咱们将会尝试选择一个尽量远离每一种类别数据点的超平面：

这一个看起来更好。当咱们用它分类真实数据中时，它仍然进行了完美的分类。

黑色的超平面比绿色的超平面分类更准确。

这就是为何SVM的目标是寻找最优分类超平面：

• 由于它可以正确地分类训练数据

• 同时由于它能更准确地分类还没有出现的数据。

什么是间隔和它是如何帮助选择最优超平面？

咱们的最优超平面的间隔

给定一个超平面，咱们可以计算出超平面到最近的一个点的距离。一旦咱们算出这个值，若是咱们将距离乘以2咱们就能够获得间隔（margin）。

基本上，间隔是一个“无人区”。在间隔内不存在任何数据点。

对于另外一个超平面，间隔将看起来像这样：

如图所示，间隔B比间隔A小得多。

咱们可以观察到如下结果：

• 若是一个超平面十分接近某个数据点，它的间隔将很小

• 超平面距离数据点越远，间隔就越大

这意味着最优超平面将是拥有最大边距的那个超平面。

这也是为何SVM的目标是找到最大化训练集数据间隔的最优分类超平面。

---

到这里关于SVM背后的数学原理的介绍就结束了，目前没有有多少公式，可是在下篇文章咱们将增长一些数字而后试着从数学的视角（几何和向量）来进行理解。