一. 大间隔数学分类器的直观理解
    使用支持向量机的原理：可以解决复杂的非线性分类，而且比MLP速度更快！

    大间隔数学分类器：
    image.png
    对于这样一个二分类问题，我们可以明显感觉到，分类边界A比B更好，这是因为A好像处在更“中间”的位置，拥有更宽的“间隔”。那么如何科学的度量这种间隔，并且利用这种间隔使我们获得最优的分类边界呢？

    我们可以这样做：
    假设A的方程为：
    image.png，用向量的形式可表示为如下的形式：
    image.png
    在image.png=0时，我们可以确定以下函数：
    image.png
    我们可以两边同除以d，得到新的函数：
    image.png
    接下来我们计算那些在虚线上的点到分类边界的距离，利用点到直线的距离可得，其间隔长为：image.png
    为了使其最大化， 我们便可等价的使得image.png最小化。这就是间隔的衡量和最小化目标。

    二. SVM的目标函数和代价函数
    目标函数：
    image.png
    代价函数：
    image.png
    我们先来看一下cost1函数和cost2函数所代表的的含义，之后我们再看一参数c所代表的含义
    image.png，如图，我们不必关心cost1,cost2不为0的部分的斜率，因为我们只涉及大于等于1或小于等于-1时的情况。
    这里的参数c是控制image.png的一个参数，当把c设置的比较大的时候，就会更趋近于过拟合的，具有低偏差，高方差；当把c设置的比较小的时候，就会更趋近于欠拟合，具有低方差，高误差。

    三. 核函数
    吴恩达老师视频中核函数这一块实在是太抽象了，我想想放一放，之后我会搜集其他的资料进行更好的理解。