1. 简述
SVM涉及的东西很多，如果要理解全面的话，要理解经验风险与置信风险，VC维理论，推导出最优化公式，最优化求解的拉格朗日解法，核函数，等等方面的内容，当前对SVM理解太少，平时主要使用其工具包，这里记录一下推导出SVM最优化公式的部分，主要参考是维基百科，感觉维基百科在这部分的说明比较清楚简单。
2. 推导
· 已知信息
样本数据：xi是特征向量，yi是标注，p是特征向量的维数，n是样本数量。
目标：是寻找最大间隔超平面，一方面保证将所有的样本分开，另一方面超平面两侧的没有样本的间隔最大。
· 推导
假设超平面为w·x + b = 0 （一般使用w的转置，这里输入不方便使用w代替）
超平面一般使用超平面族表示即w·x+b=1与w·x+b=-1。
如果样本数据线性可分，就可以找到这样的两个超平面使得，这两个平面之间没有样本点，并且这两个超平面之间的距离是最大的。对于两个平面之间没有样本点，相当于yi (w·xi+b) > 1, i=1,2,...,n. 两个超平面之间的距离=2/|w|，最大化这个间隔相当于最小化|w|。
因此寻找能够分开所有样本的间隔最大的两个超平面可以描述为：
min |w|,
s.t. yi (w·xi+b)>1, 其中i=1,2,...,n
· 为了求解方便，可以进一步化为
min 1/2 |w*w|
s.t. yi (w·xi+b)>1, 其中i=1,2,...,n
3. 参考
维基百科_支持向量机
http://en.wikipedia.org/wiki/Support_vector_machine
http://zh.wikipedia.org/wiki/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%9C%BA