在之前就一直總是零零碎碎瞭解過這個熱及一時的統計學方法對樣本進行分類的支援向量機演算法。一直想系統的瞭解一下支援向量機這個很強的分類演算法，有幸在周老師的機器學習這本書中進行系統的學習。
這裡我只列出一些需要重點理解的概念，以方便以後自己進行回顧，在部落格中也閱讀了牛人寫的一篇對svm有詳細介紹的文章，文章分三層介紹，不過總之來講可以說跟周老師講解的很相近，附上鍊接
http://blog.csdn.net/macyang/article/details/38782399/支援向量機通俗導論（理解SVM的三層境界）
需要理解的概念：
1、間隔與支援向量
2、最大間隔
3、劃分超平面
4、拉格朗日乘子
5、訓練完成後，大部分訓練樣本都不需要保留，最終模型只與支援向量有關
6、核函式
7、如果原始空間是有限維，即屬性數有限，那麼一定存在一個高維特徵空間使樣本可分
8、硬間隔
9、軟間隔
10、鬆弛變數
11、正則化
12、支援向量迴歸（SVR）
13、核方法
14、核線性判別分析（KLDA）