场景
之前尝试用knn算法尝试一个图像识别（给苹果，香蕉分类）的案例，很吃性能且准确率不佳。支持向量机（SVM）是一种广泛应用于分类和回归问题的强大监督学习算法。就很适用于这种场景。
概念
支持向量（Support Vectors）
在支持向量机（SVM）中，支持向量是非常核心的概念。它们是离分隔超平面最近的那些数据点。这些点实际上支撑着或定义了超平面的位置和方向。在SVM模型中，只有支持向量才会影响最终决策边界的位置；其他的数据点并不会对其产生影响。
支持向量的重要性
定义边界：支持向量是最优超平面的关键组成部分，因为它们直接定义了分类间隔的边界。
模型简洁性：在SVM中，只有支持向量对模型的建立是重要的。这意味着，尽管训练数据可能非常庞大，但最终模型的复杂度却由较少数目的支持向量决定，从而提高了模型的计算效率。
鲁棒性：由于只有支持向量影响决策边界，因此SVM对于数据中的噪声和非支持向量点的变化相对不敏感，增强了模型的泛化能力。
假设我们在二维空间中有两类数据点，一类为正类，另一类为负类。SVM的目标是找到一条直线（即超平面）来尽可能完美地分隔这两类点。这条直线的位置由离它最近的几个点（即支持向量）决定。这些点的位置决定了直线的方向和位置，从而确定了分类的最佳边界。
鲁棒性（Robustness）
处理现实世界数据：现实世界的数据往往包含噪声、缺失值或异常值。鲁棒性强的模型能够有效处理这些不完美的数据，提供可靠的输出。这和之前的Knn算法，还有香农熵算法、概率论算法对数据的比较严格的要求不同。
提高泛化能力：鲁棒的模型在面对新的、未见过的数据时表现更好，具有更强的泛化能力。
减少对数据预处理的依赖：如果一个模型足够鲁棒，它可以减少对数据清洗和预处理的需求，从而简化模型的应用过程。
鲁棒性在SVM中的体现
在支持向量机（SVM）中，鲁棒性体现在其对于支持向量以外的数据点不敏感的特性。SVM的决策边界（超平面）主要由支持向量决定，这意味着非支持向量的数据点，即使包含噪声或异常值，也不会显著影响模型的决策边界。这使得SVM在处理包含一些噪声或异常值的数据时，仍能保持较好的性能，显示出较强的鲁棒性。
回到案例
假设我们在二维空间中有两类数据点，一类为正类，另一类为负类。SVM的目标是找到一条直线（即超平面）来尽可能完美地分隔这两类点。这条直线的位置由离它最近的几个点（即支持向量）决定。这些点的位置决定了直线的方向和位置，从而确定了分类的最佳边界。 这个过程是怎样的呢？
结束
这一把只是我的简单理论。上次正式开始。
