支持向量机：
靠近决策平边界的点（正负样本）与决策边界的距离最大时，是最好的分类选择。决定决策边界的样本点叫做支持向量，它决定了与决策边界的距离到底是多少，而与决策边界的距离更远的点，其实有没有无所谓。
距离的计算：
分离超平面方程和法向量：
blog.csdn.net/Jiajing_Guo…
数据标签的定义：
优化的目标
目标函数
里面的min求的是离决策边界最近的样本点是哪个，外面的max是求什么样的w和b能使这个样本离决策边界最远。
求1/w的最大值就是求w的最小值。求w的最小值和求w平方的最小值是一样的。对w平方是应为w的模比较碍事，w的模无非就是个正数，所以对其平方。1/2*w^2中加入的1/2是为了方便求解，不影响结果。
拉格朗日乘子法
每一个样本都有一个αi与他对应。
SVM求解
SVM求解实例
决策边界是由边界上的样本点所构成的 αi不为零，非边界的样本点αi必然为零。
αi为零的样本点不是支持向量对结果半点影响都没有，αi不为零的样本点是边界点，这些边界点会对决策边界的构成产出决定性的影响。
