サポートベクターマシン
[内部化、学習] -明確な基準を理解することですが、また、ジュニアパートナーの後ろに、ここでいくつかの助けをで共有するために出て話します。
学ぶ：
https://www.youtube.com/watch?v=QSEPStBgwRQ&list=PLJV_el3uVTsPy9oCRY30oBPNLCo89yu49&index=29
教授CHANG台湾大学、素晴らしい、知識は、私が理解していた前に理解し読むことはできませんが、非常に慎重コースを教えました--respectを話します
1、SVM
SVMは、古典的なバイナリ分類、教師付き学習アルゴリズムです。などロジスティック回帰（この基礎を学ぶ必要がある）、二つの主要なユニークがあります。
1.Lossのfuctionとヒンジ損失。
2.モデルF（x）を使用してカーネル法、。
SVMを学習する次の二つの鍵を理解するために。
2、ヒンジ損失
2.1
SVMアルゴリズム構造及びロジスティック回帰バイナリ分類本質的に同じ操作を行いました。
オリジナル上記溶液中にL（f）を行うことができない場合が生じるヒンジ損失を使用して、勾配降下、異なるクロスエントロピを用いてシグモイド+ロジスティック回帰、線形SVM。
ヒンジ：
logistic regression 与 Linear SVM两个算法唯一的不同之处就是使用了不同的loss function,前者使用的sigmoid+cross，而后者用 hinge 。
2.2
下面讲讲 loss function 那些事，理解这些后，将对 SVM 的 HInge 有很深的理解。
因为原本的loss fuction（下图中标①的loss function，下文简称L①）不能微分所以无法做梯度下降 ，所以我们要做的就是用一个可以微分的loss function（下文简称L②）来近似代替L①。我们知道L①的作用：当预测值与实际值相等时，L=0，不相等时，L=1（函数括号里成立时，函数值=0，否则为1，不清楚的可以查一下 kronecker 记号）。binary classification 中:
而y只等于+1或-1，所以预测正确时，即g(x)与y相等时，y一定与f(x)同号，预测错误时异号。（以0点为界，y·f(x)越大即就是预测正确，y·f(x)越小即为预测错误，下图中用yf(x)作图分析并说Larger value, smaller loss，应该是这样理解的）所以我们需要找这样一个L②来代替L①：当同号时，loss接近0；当异号时，loss很大。
下面是尝试使用不同的L②：
square loss: 不行。
连我们上面分析L②应有的性质都不满足，而已早在 logistic regression 里就知道了 square loss 是不适用这种离散型任务的。
sigmoid+square
sigmoid+cross entropy
Hinge
Hinge 与 sigmiod+cross entropy 这两个loss function的区别：对于结果已经正确的样本数据，hinge 就不再继续产生loss用于继续提升，而sigmiod+cross entropy 会继续产生loss 使其再继续远离刚刚能正确分类的点（不满足于刚刚超过阈值）。
2.3
确定好了loss function之后，就可以做梯度下降了。
c(w)有很多都为0，不=0的那些c(w)即为 support vector.
SVM有很好的鲁棒性（robust），因为有很多数据（即那些c(w)=0的）不会影响结果，而 logistic regression 相比就没有这样的鲁棒性。
2.4 Linear SVM的另一种表示形式
3、kernel trick
下面是花书（Deep Learning）中关于SVM的部分，主要就是在说kernel，说的比较宏观比较笼统，先看一下有利于下面深入学习。
3.1
先概括一下我自己理解的kernel trick：利用很多机器学习算法的模型参数都能写成样本间内积的特点，利用核函数代替先转换空间（即非线性ϕ(x)）再内积的方法，来学习非线性模型。
先知道一个事实：w是x的线性组合。
听起来可能难以相信：训练出的模型参数w是数据x的线性组合？解释一下：梯度下降更新参数w时，c(w)只能取0，±1，取0不用说了，取±1时，w就是在±学习率*x
下面看直接看PPT式子就行了。
3.2 径向基函数
径向基函数是一个取值仅仅依赖于离原点距离的实值函数，也就是Φ（x）=Φ(‖x‖),或者还可以是到任意一点c的距离，c点称为中心点，也就是Φ（x，c）=Φ(‖x-c‖)。任意一个满足Φ（x）=Φ(‖x‖)特性的函数Φ都叫做径向基函数，标准的一般使用欧氏距离（也叫做欧式径向基函数），尽管其他距离函数也是可以的。在神经网络结构中，可以作为全连接层和ReLU层的主要函数。
3.3 与神经网络
3.3.1 sigmiod kernel 与神经网络
用sigmiod kernel就相当于一个只有一层hidden layer的神经网络。
每个神经元的参数就是一个输入的data。神经元的个数 ＝ support vector的个数。
3.3.1 SVM 与神经网络
其实kernel是可学习的，但是可学习性没有神经网络参数强，只能给几点kernel然后学习出他们的组合。
只有一个kernel相当于只有一层隐藏层，由多个Kernel组合相当于由多个隐藏层。