支持向量机（Support Vector Machine，简称SVM）是一种监督学习模型，主要用于分类和回归分析。

SVM的基本思想是寻找一个决策边界或超平面，使得两类样本之间的间隔最大化。

这个间隔被定义为支持向量到超平面的最短距离，而支持向量就是那些恰好位于间隔边缘上的训练样本点。

线性可分情况下的SVM

假设我们有一组训练数据 $(x_1,y_1),(x_2,y_2),\dots ,(x_n,y_n)$ ，其中 $x_i$ 是输入特征向量， $y_i$ 是对应的输出标签（ $+1$ 或 $-1$ ）。

SVM试图找到一个最优超平面 ${\mathbf{w}}^T\mathbf{x}+b=0$ 来区分这两类数据，其中 $\mathbf{w}$ 是权重向量， $b$ 是偏置项。

最大间隔超平面公式

为了找到最大间隔超平面，我们需要满足以下条件：
$$y_i({\mathbf{w}}^T{\mathbf{x}}_i+b)\ge 1$$

这表示对于所有的训练样本，它们都必须正确分类并且与决策边界保持至少单位距离。

这个距离由 $\frac{1}{||\mathbf{w}||}$ 给出，因此我们的目标是最小化 $\frac{1}{2}||\mathbf{w}|{|}^2$ 同时满足上述不等式约束。

公式解释

• $\mathbf{w}$ ：权重向量，决定了超平面的方向。
• $b$ ：偏置项，决定了超平面的位置。
• ${\mathbf{x}}_i$ ：第 $i$ 个训练样本的特征向量。
• $y_i$ ：第 $i$ 个训练样本的标签，取值为 $+1$ 或 $-1$ 。
• $||\mathbf{w}||$ ：权重向量的范数，用于度量向量的长度。

软间隔SVM

在实际问题中，数据可能不是完全线性可分的，此时可以允许一些样本点跨越决策边界，这就是所谓的软间隔SVM。

为此，我们引入松弛变量 ${\xi }_i$ 和惩罚参数 $C$ ，并最小化以下目标函数：
$$\frac{1}{2}||\mathbf{w}|{|}^2+C\sum _{i=1}^n{\xi }_i$$
同时满足：
$$y_i({\mathbf{w}}^T{\mathbf{x}}_i+b)\ge 1-{\xi }_i$$
$${\xi }_i\ge 0$$

核技巧

当数据不是线性可分时，SVM通过核函数（Kernel Function）将原始低维特征空间映射到高维特征空间，在高维空间中找到一个线性超平面来实现分类。

常用的核函数包括多项式核、高斯核（RBF核）、Sigmoid核等。

核函数公式

$$K(\mathbf{x},{\mathbf{x}}^{\prime })=\varphi (\mathbf{x}{)}^T\varphi ({\mathbf{x}}^{\prime })$$

其中， $\varphi$ 表示从原始特征空间到高维特征空间的映射函数， $K$ 是核函数，它直接计算两个向量在高维空间中的内积。

拉格朗日乘子法

SVM的优化问题通常通过拉格朗日乘子法转化为对偶问题来解决，对偶问题的形式为：
$$\underset{\alpha }{\max }W(\alpha )=\sum _{i=1}^n{\alpha }_i-\frac{1}{2}\sum _{i,j=1}^n{y}_i{y}_j{\alpha }_i{\alpha }_{j}K({\mathbf{x}}_i,{\mathbf{x}}_j)$$

其中， ${\alpha }_i$ 是Lagrange乘子，且需满足KKT条件。

这些公式和概念构成了SVM的基础，通过调整参数和选择合适的核函数，SVM可以非常有效地处理复杂的数据分类问题。