Linear Calssification：通过资料加权，看是正还是负，来对资料进行分类。
PLA：把资料做未分类的线不止一条，那条线是最佳的分类？Margin最大？
我们学过的理论保障：VC bound看起来每种分类没有差别，Eout 由Ein 与 模型复杂度的代价dvc给bound住。
但凭直觉，大家都选择最右面的线，为什么？
测试资料，与训练资料可能有差别，比如测量误差。
左边的线与右边的线，最大的差别就是对于测量误差的容忍度
看线跟点的距离到底有多远。找最胖，最强壮的线。
首先像PLA一样，可以把 data 分开，其次：在这些线中找最胖的。
y与WX同号：大于零。分类正确，否则，错误
垂直：向量点积为零
找到一条线，求附近的点到该线的最短距离，作为margin，这个距离该如何计算？
把w0与其它的w分家，令 w0=b（bias，截距），其它的w继续放在w的向量中，同样x，也是比较矮小的x，少了一个x0=1，多出一个b，代表原来的w0
接下来的计算，w，x都是比较矮小的，没有w0，x0
用b和w代表的平面，距离一个点x的距离如何求？
两个点，x prime,与x double prime都在平面上，意味着两个点都满足平面方程wx+b=0
w垂直超平面：w与平面上任何一个向量垂直，内积为0
将x投影到垂线w方向上面。
现在讨论的是点到分隔平面的距离：sepearating hyper-plane
利用分数乘以yn大于零，只考虑正确分类的线。
同一条线可以用不同的方程式表示，系数可以等比例放缩，另 y（wx+b）=1，这样会更加好做。如果y与分数（wx+b）的乘积等于1，因而必然大于0 只考虑能够正确分类的线。
原来的max 1/||w||不好解，放松成min 1/2wTw
如果每一个y（wx+b）都大于1，为1.126，没有等于1的，则每个item除以1.126，则w就会变短，则w的倒数就会变大，此时则得到新的解比w还好，与b，w落在里面的区域在里面，为最佳解矛盾，说明，防缩不会影响最佳解的求解。
增加一个1/2，将最大化变为最小化它的倒数。
4个点，对应4个条件，每一行都满足y（wx+b）>=1
第1行，因为y为-1，所以，被-1乘积后就变成-b>=1
第2行，因为y为-1，所以，被-1乘积后就变成-2w1 -2w2 -b>=1
........
结合4个条件，求wTw(W1的平方与W2的平方和)，一定大于等于2 w1>=1,w2<=-1.
这一个支撑向量，会对应一些距离边界最近的点，其它的点不再重要。这些点：支撑向量
这些问题属于二次函数，QP问题，二次规划的问题，有成熟的解法。
如何将我们的问题转换成标准的QP问题？
最小化u向量的二次函数，二次式的系数，放在Q矩阵中，一次项放在p向量中。
线性条件：u向量的一次式
将所有的变数，bw均塞进去，最小化u的二次式，u中有b，w。 与b相关的向量都不在于，故均放置为0，与w相关的放置为1
接下来，找matlab或其它已经做好的QP solver,直接求解即可。通常需要读一下tool的使用说明，有的要求大于等于1，有的小于等于1
hard-margin：完全分开，不可以有犯错的情况
linear：原来的xn
最小化w的长度，条件是将所有的xxoo分割。
VC：我们的分割线，到底能产生多少种ooxx的组合。找到越胖的分割线越好。
如果像PLA，不计较胖瘦Margin，则3个点可以产生8种情形
如果要求一定符合一定的胖瘦的标准，3个点可能无法产生8种不同的情形。
能够做到的xxoo分类越少，则vc dimension就会越小，越不容易overfit。
如果看算法的vc dimension，假设有一个单位原，如果不在乎胖瘦，rou = 0，则此时的vc dimension是3，产生8种不同的ooxx的组合。
如果在乎胖瘦，要求rou > square(3)/2, 则无法shatter 3个点，因为此时必然有两个点，它们之间的距离比square（3）小，因而此时dvc < 3
有margin的算法，其算法的vc dimension会得到控制。小于等于d+1
largin margin + Transform 联合起来做。透过transform可以做复杂的边界。
胖的分界线，可能很好的对付测量错误的情况。