SVM一种二分类模型，是定义在特征空间上的间隔最大的线性分类器。SVM的学习策略就是间隔最大化。线性可分支持向量机就是将输入空间中的输入映射为特征空间中的特征向量，它的学习是在特征空间中进行的。
分类正确的置信度是通过点到分离超平面的距离度量的。
解决线性不可分的方法是对每个样本点引入一个松弛变量。
用线性分类方法求解非线性分类问题分为两步：首先使用一个变换将原空间中的数据映射到新空间，然后在新空间里用线性分类学习方法从训练数据中学习分类模型。
虽然可以将低维数据映射到高维使得线性不可分问题转化为线性可分问题，但是这样内积的计算量就太大了，所以引入核函数的目的就是将特征从低维到高维进行转换，而计算却在低维，只是将效果表现在了高维而已。
分类直线叫classifier（分类器），最大间隙叫optimization（最优化），将数据映射到高维叫kernelling（核函数），面叫hyperplane（超平面）
通过将法向量归一化即可将函数间隔变为几何间隔。