吴恩达ML课程课后总结，以供复习、总结、温故知新，也欢迎诸位评论讨论分享，一起探讨一起进步：
上一篇:机器学习（5）--算法优化方法(学习曲线，误差分析)及特类分析(偏斜类问题召回率与查准率)https://blog.csdn.net/qq_36187544/article/details/88316728
下一篇：
支持向量机svm，广泛应用于工业界学术界，比逻辑回归，神经网络更加清晰明了，SVM会尽量找到全局最优，而神经网络可能会收敛到局部最优，SVM相对更加快，但是SVM不能处理大规模数据样本，速度将很慢。所以如果遇见特征数量大，但数据较少，向量机就较为合适
从逻辑回归到SVM，将损失函数改变为下图蓝线的内容，将得到更加简单易计算的函数（其实SVM思想和逻辑回归完全不一样，与逻辑回归对比，只是为了容易理解记忆）
下面是SVM的假设函数，与逻辑回归假设函数基本一致，C基本等价于1/λ，在逻辑回归中λ较大，在min计算时会惩罚正则化项的值，在SVM中，C较小，也等价于惩罚正则化项。C称为惩罚因子
在当前假设函数下，cost(θx)中θx的取值只能取大于1或小于-1（为了引出大间距）
svm被称作大间距分类器。C不是很大时能得到良好的边界，与逻辑回归类比。支持向量机的间距，具有鲁棒性（聚类结果不应受到模型中存在的数据扰动、噪声及离群点的太大影响。）
SVM数学原理：
内积：若v是一个向量，则vTv得到一个数值，称为内积，内积又等于投影距离×二范数
SVM的决策边界如下，相比之前的假设函数少了一大坨，因为那一大坨相当于一个常数。这个决策边界就相当于θ的范数（而且是二范数）的平方的1/2：
下图中绿色为决策边界，蓝色为参数向量。参数向量为什么与决策边界垂直?因为在θ0=0的简化情况下θx=0，即两向量垂直。
每个点到参数向量的投影距离P与二范数的乘积大于等于1或小于等于-1（内积计算）,当p很小，则要求θ二范数很大，则很难的到最小化的目标函数。由于垂直导致svm总会找到最大的值保证θ最小，从而得到大间隔。
核函数：
若采用多项式作为核函数，多项式难以确定，这里提出常用的核函数：高斯核函数，除此之外还有多项式核函数，字符串核函数，卡方核函数，直方相交核函数等
e的...次方为高斯核函数如下图，x为不确定点，l1为某点，可发现，当l1与x接近时，相当于e的0次方等于1，当x与l1距离较远时相当于0，于是就做出了区分
参数越大越平滑,参数的取用需要斟酌，σ^2越大，越平滑，高偏差低方差，小则高方差低偏差：
其实吴恩达老师在这一节中没有详细的解释相关的算法，只提出了SVM及理解，说如果采用SVM调用库函数就行了。看了下其他资料，SVM的目标是让θ二范数平方最小，然后归纳成数学问题，常用的算法有SMO，提出了拉格朗日对偶巴拉巴拉，涉及的数学知识较深，部分属于数值分析，这个就交给数学大牛吧，如果要使用SVM，调用函数库就行了，当然，别忘了特征缩放。