浙大机器学习课程-6-支持向量机（SVM处理非线性可分2，低维到高维映射2）

上面是w的一种取值情况

当前w的取值刚好把高维x1,x2,x3,x4分成两类，（1.3>0）（-1.-1<0）

结论：把x移动到高维，更有可能被一个线性的超平面分开,维度越高，被线性分开的概率越大，当维度无穷，线性分开的概率为1

如何选取fai（x）(SVM最有创造力的方面)

①fai（x）选择无限维效果会好一点

根据这个条件，w也会是无限维（整个的优化将会不可做）
核函数的自变量是两个地位向量x1,x2,值是fai(x1)和fai（x2）的內积，得到的是一个数

常用核函数

高斯核，多项式核，d是多项式阶数（fai的维度与d对应），即定义了一个值，可以拆解成fai(x1)Tfai(x2)

优化问题的解决依赖于fai,现在需要解决的问题是用k替代fai,让优化问题变得可解