对于PLA算法来说，最终得到哪一条线是不一定的，取决于算法scan数据的过程。
从VC bound的角度来说，上述三条线的复杂度是一样的
Eout(w)≤Ein0+Ω(H)dvc=d+1
直观来看，最右边的线是比较好的hyperplane。
为什么最右边的分隔面最好？
对于测量误差的容忍度是最好的。例如对于每张图片中左下角的样本点，当未来要判定与该点非常接近的点（有可能它们的feature本来就是一样的，只不过因为测量的误差的存在，所以feature变得有点不同了）的label的时候，最右边的hyperplane对这些误差会有最大的容忍度。
tolerate more noise ⟶ more robust to overfitting
当对测量误差有更大的容忍度的时候，就能更加避免过拟合的情况出现。
所以我们想要找的超平面就是能够更大的容忍测量误差的超平面。直观上来说，就是找这样的一个超平面，离这个超平面最近的点的到这个超平面的距离也是很大的。
这里写图片描述
“胖”分割面
如下图所以，我们想要找的是“最胖”的那条线。
这里写图片描述
最大间隔分类超平面
maxwsubject to fatness(w)w classifies every (xn,yn) correctlyfatness(w)=minn−1,⋯,N distance(xn,w)
即我们要找一条线w，首先这条线要正确的划分每一个实例(w classifies every (xn,yn) correctly)。其次这条线要是最”胖”的(maxw fatness(w))。线w的”胖”的衡量方法是:到所有的点中距离最近的点的长度作为该w的fatness(胖瘦程度)。一句话:找能正确划分数据的最胖的线。
fatness: 正式的表达为margin
correctness: 要求yn=sign(wTxn)
上述的表达可以进一步数学化为：
maxwsubject to margin(w) every ynwTxn>0margin(w)=minn−1,⋯,N distance(xn,w)
goal: 找最大间隔（margin）的分类超平面
最大间隔问题
点到超平面的距离
上面提到了我们要找最“胖”的线，这里涉及到了一个距离的计算。那么怎么算一个点x到平面wTx+b=0的距离。
这里写图片描述
考虑在平面上的两个点x′,x′′, 那么有
wTx′=−b, wTx′′=−b
两式相减：
wT(x′′−x′)vector www.txfenfenc11.cn on hyperplane=0
所以可以得到w是该平面的法向量。（x′′−x′是该平面的任意向量，w和该平面的任意向量垂直）。
那么x到平面的距离公式如下（投影）：
distance(x,b,w)=|wT||w||(x−x′)|=1||w|||wTx+b|
其中，b,w代表平面。距离即是求x−x′在w上投影的长度。第二步化简用到wTx′=−b。
到分隔超平面的距离
上一节中推导了点到平面的距离计算方法，
distance(x,b,w)=1||w|||wTx+b|
对于我们最终想要得到的分隔超平面，我们可以得到如下的结果：
yn(wTxn+b)>0
那么任意一个点到分隔超平面的距离可以变为：
distance(xn,b,w)=1||w||yn(wTxn+b)
即我们想要做的事情变为：
maxw.bsubject to margin(w,b) every yn(wTxn+b)>0margin(w,b)=minn=1,⋯,N 1||w||yn(wTxn+b)
我们最终想要找的是一个hyperplane，也就是wTx+b=0(我们现在在选择它的系数w和b)。情况是这样的： wTx+b=0和3wTx+3b=0是没有什么差别的，只是进行了系数的放缩，其实是一个超平面，在二维就表示一条直线。那么在这里我们考虑一个很特别的放缩使得：
minn=1,⋯,N yn(wTxn+b)=1
这样的放缩总是可以做到的。这样的话：
margin(w,b)=1||w||
原来的问题变为：
maxw.bsubject to 1||w|| every yn(wTxn+b)>0minn=1,⋯,N yn(wTxn+b)=1
进一步可以变为：
maxw.bs.t. 1||w|| minn=1,⋯,N yn(wTxn+b)=1
条件minn=1,⋯,N yn(wTxn+b) www.wmyl11.com =1包括every www.zbcppt.com yn(wTxn+b)>0， 所以后者可以去掉。
最大间隔问题
我们进一步得到了描述比较简单的间隔最大化问题的需求。
maxw.bs.t. 1||w|| www.caihonyule.com/ minn=1,⋯,N www.chushiyl.cn/ yn(wTxn+b)=1
现在的目标是要把条件中的min操作去掉。我们将条件minn=1,⋯,N yn(wTxn+b)=1放宽至：for all n都有yn(wTxn+b)≥1。现在我们担心的问题是：原来的条件要求最小的yn(wTxn+b)等于1， 而现在要求所有的yn(wTxn+b)大于等于1。那么在新的条件下会不会正好存在这样的w使得所有的yn(wTxn+b)都大于1了，这样我们放宽条件就出了问题，因为求得的解不在满足原来的条件了。
以下将证明，即使放宽了条件，最佳解依然满足
反证法：
如果最佳解使得所有的都是大于1的， 例如， 那么我们进行一下缩放可知也是放松后问题的解。但是此时显然比会有更大的。 所以假设：最佳解使得所有的都是大于1， 是错误的。
现在问题的形式变为：
变为最小为问题：
支撑向量机
一个特例
这里写图片描述
图中的样本点和信息如下：
根据最优化问题的要求我们需要满足一下4个条件：
根据以上的两个式子可以得到：
所以我们可以令。这样的话不仅仅满足了条件，也使得target function取得了最小的值。其中b的值可以通过计算一个范围得到。这样我们就得到了我们最想要的hyperplane：。这就是我们想要找的支撑向量机。
此时。
这里写图片描述
我们可以看到有一些离hyperplane很近的点，也就是如图用方框框起来的那些点。这些点就可以确定我们想要的hyperplane，我们把这些点叫做Support Vector。可以理解为这些支撑向量就可以确定我们想要的分割超平面，而不需要其他的点。
SVM的一般解法
通过分析可知，我们想要最小化的问题是个的二次函数，该问题的条件是的线性一次式。我们把这样的问题叫做二次规划（Quadratic programming）
所以我们的一个解法是将我们的问题表示为二次规划的标准形式，然后就可以调用二次规划的包进行运算。
标准的二次规划问题
所以我们要确定其中的系数
线性可分的硬间隔SVM算法
使用二次规划解决SVM
表示为规范的问题，
return as
note：
hard-margin：表明我们坚持要将正例和负例完全的分开。
linear：表明我们是在使用来训练SVM，我们得到的是在空间中的分割超平面。而没有经过任何的特转换
所以如果我们想要一个非线性的hyperplane，可以使用