线性分类：

如果需要分类的数据都是线性可分的，那么直线f(x)=ax+b就可以分开了。这种方法被称为：线性分类器，一个线性分类器的学习目标便是要在n维的数据空间中找到一个超平面也就是说，数据不总是二维的，比如，三维的超平面是面。其实能有无数个超平面能将数据划分，但是我们要选择最优的进行划分。

这就有了最大间隔分类器，简称MMH， 对一个数据点进行分类，当超平面离数据点的“间隔”越大，分类的确信度也越大。所以，为了使得分类的确信度尽量高，需要让所选择的超平面能够最大化这个“间隔”值。

核函数：当是非线性分类即线性不可分的时候，需要转换高纬度，核函数就是先在低维上进行计算，将实质上的分类效果反映在高维上，避免了直接在高维上进行的复杂计算。

几种常用核函数：

h度多项式核函数（Polynomial Kernel of Degree h）

高斯径向基和函数（Gaussian radial basis function Kernel）

S型核函数（Sigmoid function Kernel）

图像分类，通常使用高斯径向基和函数，因为分类较为平滑，文字不适用高斯径向基和函数。没有标准的答案，可以尝试各种核函数，根据精确度判定。

 python代码实现：

1.导入模块

2.利用正态分布获取数字

3.超平面d(z)=wx+b,获取w,获取斜率a

4.画图画线，找出与点相切的线