最近小小地研究了一下SVM，发现这个算法还是相当有意思，今天来给大家讲讲其原理。
首先假设每个样本的特征值为X1、X2...到Xn，即有n个特征值。θ1、θ2、θ3...θn为对应权值。
那么要将上图两类红色的X和白色的O分类的话，最简单的方法就是找到合适的权值，使得：
当θ0+θ1*X1+θ2*X2+...θn*Xn>=0时 将样本分为第一类。当式子<0时，分为第二类。
将该式拓展一下可以变成θ0+θ1*f1+θ1*f2+...θn*fn，其中f1可以等于X1，f2可以等于X2等等，如图所示。通过加入高阶项我们可以得到更多的特征，但也使计算变得相当复杂。
因此我们引入更好的f函数。在上图坐标系中随机取三个点l1、l2、l3,给定一个样本X（有X1、X2两个特征），我们定义相似度函数：
f1=similarity(X,l1) 此表达式为X和l1的相似度函数=exp（-||X-l1||^2/2δ^2）
其中exp为以自然常数e为底的指数函数，||X-l1||代表X点到l1点的欧氏距离。
这个相似度函数就被称为高斯核函数。同理f2是X和l2的高斯核函数......
推广到一个样本的所有特征，f1=每个特征与l1的高斯核函数之和。 f2=每个特征与l2的高斯核函数之和。
也就是说，若是有m个l点，那么给你一个样本的话，便可以求出f1、f2...fm.
我们来看看为什么这个特征函数是有效的。
见上图，如果X点和l点距离很近的话，那么f=e的0次方，约等于1,。而若X与l点距离很远的话，f约等于e的负无穷次方为0。完成了很好的分类工作。
这就是高斯核函数的图像，在l点的时候值为1，越远离越接近0. 当δ值越小就越陡，越大就越缓。
让我们看看SVM是如何完成分类的。假设算法已经找到了最优的θ值，θ0=-0.5，θ1=1，θ2=1，θ3=0.
当θ0+θ1*f1+θ2*f2+θ3*f3>=0时，分为第一类，否则为第二类。
那么假设图中紫色的点，很接近l1，则计算出来该式等于0.5，分为第一类。
同理图中绿色的点也为第一类。
而青色的点算出来等于-0.5，分为第二类。所以SVM得出了图中红色边框的决策边界，与实际情况相同。
其中对于超参数的选择：
所以这就是高斯核函数，如果你想了解SVM如何选择标记点，以及引入核函数后的损失函数，建议你可以看下一篇文章。