机器学习实战之支持向量机SVM-2
续：机器学习实战之支持向量机SVM-1
后来对前面的代码进行优化，主要是3方面：
1.更加合理选择j，取代原来的随机选择j；
j是从已更新的alpha值的列表中选取，也就是已发现的支持向量列表中选取。
选择原则是：max（abs（Ei-Ej）），
2.选择ai，先遍历整个数据集，后面只遍历支持向量数据集；只更新支持向量的ai，更加合理。
3.将数据结构化，整洁易懂。
对非线性数据的处理，要用到核函数。
这里用到高斯核函数，只用用核函数代替原来代码中的内积，就可以了。
代码中是将数据集和单条数据的内积都保存到（m，m）矩阵k中，用到内积的情况下直接调用就可以。
需要注意的是：
用到核函数以后，原来的w就失去了意义。
核函数用在两个高维映射的内积的情况下，将其转换成二维内积的计算方式。
二维的非线性优化问题，转化成高维，就成了线型优化问题；高维映射的内积，通过核函数转化成二维内积来进行计算。
里面有两个手动设定的参数，一个是高斯函数的delta值，一个是C；
delta值的设置关系到准确率：存在一个delta值的最优范围。1.3左右。
支持向量的最优数目，就是在保证高的准确率条件下，尽可能的少，以减少运算量。