支持向量机（SVM）概念图解（人话版）

支持向量机（support vector machine）是模式识别里面的基本概念，通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，学习策略便是间隔最大化。

理解SVM，需要先弄清楚一个概念：线性分类。

如下图所示，现在有一个二维平面，平面上有两种不同的数据，分别用圈和叉表示。由于这些数据是线性可分的，所以可以用一条直线将这两类数据分开，这条直线就相当于一个超平面（所谓超平面就是多维空间的线性数据全集），超平面一边的数据点所对应的y全是0 ，另一边所对应的y全是1。

那么如何找到这样一条最适合的分隔线（或者超平面）呢？直观上我们认为线条离数据点越远越安全，那么判定“最适合”的标准就是这条直线离直线两边的数据的间隔最大。如下图中黑色、绿色和橘色线条都可以把X和O数据分开，但直观上黑线是最合适的，因为黑线到两边数据的最短距离margin是最大的，所以SVM有时候也称为大间隔分类器。

所以，得寻找有着最大间隔的超平面。

这里不列公式，直接上图说明如何从概念上寻找这样的超平面：

首先得确定两边数据集的边际线（图中的2条虚线），而位于两条虚线中间，且和两边虚线间隔相等的这个线条就是要找的超平面。

而落在两条虚线上的X和O数据点就是所谓的支持向量，相应的分析模型就是支持向量机。

最后分享一个很直白的视频解说：