本章主要学习的内容是支持向量机
一个样本集中的样本可以有很多的特征，以这些特征作为基，可以构成这个样本集的一个特征空间。
支持向量机是一种作用在这个特征空间上的一个二分类模型。它的目标是找到一个该空间中的超平面（因为不一定是特征空间3维，所以称超平面，多维平面），用它将样本集二分。我们希望新加入的样本，模型对这些新样本的分类适应性最强，这样得到的模型就是支持向量机。
对数据点进行划分时，易知：当超平面距离与它最近的数据点的间隔越大，分类的鲁棒性越好，即当新的数据点加入时，超平面对这些点的适应性最强，出错的可能性最小
超平面的表述方法为 $w^T x + b = 0$，其中w为参数向量，x为特征向量。
<aside> ⚠️ 通常SVM的样本标记可以记为以下格式： $(x,y)$ 其中x为特征，y取值为 $\pm 1$ ，代表正例或者负例。
</aside>
SVM使用几何间隔作为SVM中距离的定义。算法如下：
根据几何知识推广，我们可以知道某特征向量终点到平面的距离为
为了距离为正，我们不妨将 $\gamma$ 乘以 y， 其中y作为样本的类别，判断依据为：
当w'x+b>0时，表示x在超平面的一侧（正类，类标为1）