1 SVM的优点
训练好的模型算法复杂度是由支持向量的个数决定，而不是数据维度决定，所以SVM不太容易过拟合。
SVM训练出来的模型完全依赖于支持向量，即使训练集里面所有非支持点都去除，重复训练过程，结果模型完全一样
一个SVM如果训练得到的支持向量个数少，则模型更容易泛化（比如各有1个点，剩下的所有可以随便扔）
2 针对线性不可分情况
数据集在空间中对应的向量不可以被一个超平面分开
2.1 如何解决？
- 利用一个非线性的映射，把原数据集中的向量点转化到更高维度的空间中
- 在这个高纬度空间找一个线性超平面来根据线性可分的情况处理
举例子：一维度转化为两个维度
---》》》
2.2 如何利用非线性映射把原始数据转化到高维中？
如何分多类问题呢？
对于每个类，有一个当前类和其他类的二类分类器（one -vs - rest）
扫描二维码关注公众号，回复：
4865632 查看本文章
代码学习
未完待续