这里主要基于吴恩达机器学习课程对于SVM的讲解进行总结回顾，并参考各类资料对其推导过程进一步理解及实现。所以分为两个部分及最后的一些个人总结。(内容较多、篇幅较长，静下心来、慢慢体会)
第一部分也即吴恩达课程是从逻辑回归的cost函数讲到svm的cost优化问题的，其实直接上来看是有一定理解难度的(要求有一定相关基础)，可以先看第二部分推导，再回过头来看第一部分会有一个更加深刻的理解和掌握。
1、吴恩达机器学习课程对于SVM的讲解
1、损失函数的由来
课程里直接从逻辑回归的cost函数讲起，(线性回归用于拟合，而逻辑回归用于分类，这里的SVM就是用于分类的，所以其应该是属于逻辑回归的)。
如上图所示，由逻辑回归的cost函数进行基本的线性变换(*m/lambda)得到SVM的cost的函数;
有了cost函数，我们的目标自然是尽可能地使其取得最小值，在这里假设一种情况：
1）假如前面的系数C非常大的话，为了使总体cost值最小，那么对于C后面的加和乘数其值将接近于0才可；那么此时的cost函数就只剩下最后一项1/2*theta的平方求和。
先解释一下为什么要取C值非常大：
如下图所示，为了找一条边界将蓝圆与红叉分开，当取不同的C值对于SVM将有如图所示两种情况分法：一个是粉线、一个为黑线；
那么考虑这两条线哪个更合理呢，
1）当C不大的时候，若没有最左下面的红叉，其计算的分界线肯定是黑色；若加上最左下面那个红叉，分界线将变为粉线(说明了其算法受个别突出样本的影响非常大)
2）当C很大的时候，C的乘数(内部包含样本x)趋近于0，cost只由参数theta决定，所以在有无突出样本(最左下红叉)时，其计算出的分类边界都将是如黑色分类线所示；
所以综上所述，SVM的cost值主要由后一个加法项决定，那么我们的目标变成了最小化最后一项：
2、直观的来理解一下：边距及cost函数的theta值之间的关系
(cost越小也即theta越小，边距越大，分类效果越好，为什么)
如下图所示，这里的cost函数是有条件的，即样本标签y=1时，要求thetax>=1;同样y=0时，thetax<=-1;（这里可以直接类别逻辑回归，只不过是增强了其安全系数，比较的不是0而是-/+1）.(在这里上课时老师说SVM是一个强分类器，使用具有较强特征的样本，跟这里的取+/-1而不是0，应该是同一个意思)
在这里对其条件形式thetax>=1/<=1进行了转化，(用到了相关的向量内积的知识，向量theta与x取内积，本身就是类比于投影处理：x在theta上的投影；)，在这里的p代表了样本x在theta的投影，然后在乘以theta的长度，软化后形式如下图所示：
通过上面的两种分类边界情况来直观的理解一下，最大边距与cost及theta之间的关系：
同样是分类圆圈与红叉，分类边界均为绿色那条线，分类边界由theta决定，theta作为其系数，所以theta的方向是与分类边界垂直的。将每个样本向theta做投影，可以看到左边图的分类情况其投影p的值是远小于右边图样本向theta做投影之后的p值的；
**p值的不同说明了什么？**再看cost函数的约束条件：ptheta>=1,p越大，则表示在满足>=1的条件下其theta值越小！！
这就验证了之前的结论：cost函数越小也即theta值越小，其分类效果越好，也即边界距离越大，也就是由上图的边界情况(此时投影p是大的)
课程后面还包括使用线性核函数及高斯核函数的SVM进行分类处理，这里主要是应用层面的，后续博客再行探讨，在此只关注于其原理及推导。
2、SVM的具体推导过程(主要来源于各种博客的个人总结及理解)
1、从最直观的表现走起(其深层含义如第一部分所述)：
如上图所示，分类边界wx+b=0;两边的支持向量(虚线上的样本点)组成的最大边界线wx+b=+/-1;我们的目的就是使分类边距(即两条虚线间的间距)最大，如下图所示：间距=2/||w||,其约束条件y(wx+b)>=1（这这里样本标签分别取+1/-1）;稍微转化一下变为求下面||w||^2的最小值：(这里的w即对应第一部分的theta)
2、利用拉格朗日函数求解满足上述条件的w、b
可以看到上面所求函数是一个条件函数，而求解条件函数可以借用拉格朗日函数求解(对于此函数不在过多讨论，大学高数内容，只是一种方便求解的形式，个人认为没必要深究只需记住如何使用并解决问题即可)：目标函数、约束条件及拉格朗日函数如下：
对于拉格朗日函数求极值的规则就是对变量求偏导并使其为0；在这里L(w,b,a)是有极大值的，因为乘子a>0且由约束条件知y(wx+b)>=1,L的后一项为负数；于是我们将L对w、b求偏导并使其为0，即可得到L关于乘子a的极大值：
将如上求值带入L，即可消去w、b得到L关于a的函数：
如上问题，只含有一个变量乘子a，我们是可以求出满足条件的a的，然后再根据之前求得的偏导式子中a与w、b的关系，我们便可以求得相应的w、b的，也即得到了分类超平面。
如上是关于SVM的一些理解及推导，其实还有很多细节没有涉及；个人感觉主要是理解其思想及由来，包括前后之间的关系及其直观解释等；
分类----逻辑回归cost----SVM的cost，有了目标函数，就是对其不断优化求解；在这里利用了拉格朗日函数求解法，不断调解a使其满足KKT条件(KKT条件就是在约束下求得目标函数极值时αi满足的条件，只有满足了kkt条件，才算是满足了目标函数和约束函数),然后通过a求得超平面参数w、b最终得到超平面。
参考：https://blog.csdn.net/u014433413/article/details/78427574#commentBox
https://my.oschina.net/wangguolongnk/blog/111353#comments
https://blog.csdn.net/bit_666/article/details/79865225
等。