支持向量机的提出是为了解决线性无法分类的问题，想要深入理解就需要从线性分类开始探讨，找到线性分类的优缺点，然后在循序渐进的提出解决方法和思路进而引出支持向量机，在继续深入探讨支持向量机的特点，以及如何分类？分类的原理是什么，支持向量机的难点在哪里？如何解决？带着问题去探讨，这样才符合我们认识事物的规律，本篇讲述就按此进行。
线性分类器：
如图二维数据分类的例子，从 图中看，这条分类函数还是可以准确做出判断的，但是这样的一元线性函数只存在一条吗？当然不是，能正确做出判断的函数有很多，如下图：
从图中可以看出这些一元线性函数都可以对此进行分类，但哪个线性分类函数最好呢？如何找出这个最好的线性分类函数呢？
在解释提出的问题之前，先把线性分类函数的一般表达式给出：
还记的Logistic回归中，他的分类函数的表达式是什么样的吗？直接引用博客里的式子：
其中：
为常数
下面就是如何找到最好的分类函数，什么是最好呢？就是分类预测的确信或者准确度达到最高就是最好的了
那么怎么找呢？
找这个分类函数其实就是找最佳的权值向量
和b，怎么找呢？找之前先引入几个概念：
最大边缘超平面（MMH）：
什么是最大边缘超平面呢？大家都知道，在一维中（横轴） 一点可以把数分两类，在二维中，一条直线可以把数据分两类（上面讲的都二维的），在三维中，一个平面可以把数据分两类（大家可以想象空间一个球，过球心的水平面就可以把球分两部分），在四维，五维、六维、、、n维中（我们目前只知道一、二、三维的空间，三维空间可通过平面进行区分空间，更高维度的空间区分他们就叫超平面了，例如 五维空间一般可以通过四维超平面进行分开，n维就是通过n-1维超平面进行区分，下面解释一下最大边界，以二维空间为例，我们知道区分二维平面的是直线，所谓最大边界，例如上图右，蓝色和红色边界的直线（黄色的）称为决策边界，他们分别经过了两边边沿的一个数据点，而这些数据点就称为支持向量点，为什么这样称呼下面会讲解，同时该两条直线之间的空间称为“隔离带”（自称的），如下图：
我们可以看到，b11和b12, b21和b22就是最大边缘决策边界（最大边缘超平面），他们分别经过两组数据的第一个点，以此称为决策边界，找到最大边缘分界有什么用呢？其实最优的分类一定就在这之间了，但是如何确定最优的呢？
假如我们找到的决策函数为上图的B1或者B2，大家觉得决策函数应该在哪里最好？直观是不是应该在中间，以B1的边缘为例，那么B1的决策决策函数就在b11和b12中间，因为中间位置到两遍的边缘分界的距离最大，那么他判断正确的确信度就越高，所以‘隔离带’越大越好，即通过求分界线之间的距离建立关系，一旦分界间的距离确定了，那么决策函数就容易求了，因此定义决策超平面（在二维中，是一条线，但是在高维中就是超平面了）如下：
把两边决策边界定义为：
①
②
那么从公式中我们可以看到，在决策边界上的数据点结果是等于1或者-1的（隔离带先假设不存在数据点），其余的应该不等于1或者-1的，结合下图，以二维数据为例，我们知道，下面的图形就是平面图形，边界直线经过坐标系的一二四象限，根据直线和坐标系的位置可知，以①式为例：数据点在①式上的等于1，数据点在它上面的肯定大于1，不信的可以拿个笔计算一下，初中知识了，那么分类方块代表数据总体可以写成这样了：
同理
即分两类了。1代表一类，-1代表一类，同时这两个不等式就是把数据分类了在说简单点，我们后面所要做的所有事情都希望满足这个，为什么呢？因为我们的目的是分类呀，这是最初的目的好吧，进行这一切的操作都是为了更好的分类，你说呢？
至于为什么是1和-1，那篇文章讲的很详细，我就不啰嗦了，不知道的可以查看一下，需要解释一下为什么边界线通过的点称为支持向量，以二维为例，上图中，我们可以看到x1和x2两个数据点分别是边界线进过的数据点，以0为原点建立直角坐标系，数据x1和x2分别构成的向量为：
和
，，两向量相减得到：
–
=
另外我们知道直线的斜率就是法向量，与直线是垂直的，上图是二维平面，直线的法向量
和直线垂直，同时也是边界线的法向量，因此
和
的內积就可以写出了：
=
內积大家都知道吧，那我们继续，
下面正式推到了，上面是从向量的建立角度进行讲解，为下面的做准备工作。
然而这內积结果为什么等于2呢？可以根据两式相减得到，即两边界方程相减得：即① – ②
又因为
=
（因为都是向量，向量的减法没忘完吧）
所以上式可以写为：
=
其中
为范数，在平面向量里称为模
又因为
其实就是两条边界线的距离d，不懂的可能是夹角
，其实就是法向量
和
中间的夹角，如上图画的，这里大家需要一点向量知识，到这里令：
=
可改写为：
=
所以：
到这里问题就转化了，求d得最大值就可以了。
在这里还有另外一种解决思路：
我们知道平面的两条直线的距离公式为：
如果求边界间的距离，可以直以直接使用该公式即可：
同样可以得到边界线的距离：
这种显得更简洁，但是为什么不直接使用这个呢？因为这个在高维的情况下可能不适用，同时也无法解释什么是支持向量，无法解释支持向量机的本质。
总结一下： 所谓支持向量就是边界超平面经过的数据点，因为这些点才构成边界，因才有支持向量的称呼，但是找边界不是目的，我们希望找到最优的决策超平面，而最优的决策超平面就在决策边界中心位置，而且决策边界间的距离越大越好，即把问题转化为求距离最大问题了。
下面问题是如何求最大距离？有哪些约束条件？下一篇介绍。