使用支持向量机（SVM）实现二分类
前言：
支持向量机（Support Vector Machine，SVM）是一种监督式学习的机器学习算法，主要用于分类和回归分析。其基本思想是在特征空间中找到一个最优的超平面，将不同类别的数据点尽可能地分开。在分类问题中，这个超平面能够使两类数据点之间的间隔（Margin）最大化。
我认为寻找这个超平面的过程及时寻找重要的支持向量，而这个距离也就是支持向量找的是否准确的度量方式。当然两类数据点之间的间隔最大时，那么支持向量找的越准确。
正文：
支持向量机作为一种二分类学习方法，其在分类问题中扮演的角色就是最大化间隔。那么这个最大化的过程其实是有严格的数学推导的。
相信大家或许多多少少都知道求最大值的一些方法，比如说求导，求偏导，当有约束条件时，还有拉格朗日函数可以进行求解，还有KKT条件等。
线性可分支持向量机（硬间隔最大化）公式推导主要推导步骤有：
目标函数构建：目标是找到使间隔（Margin）最大的超平面
。间隔定义为两个平行于超平面的边界平面（分别经过两类数据中距离超平面最近的点）之间的距离，距离等于
，最大化这个距离ÿ