SVM支持向量机是建立于统计学习理论上的一种分类算法，适合与处理具备高维特征的数据集。
下面给出几个本人认为讲解的相当不错的：
支持向量机通俗导论（理解SVM的3层境界）：
这篇讲的很详细，由浅入深层层推进。
还有一个比较通俗的简单版本的：手把手教你实现SVM算法：ht
VN原理比较复杂，但是思想很简单，一句话概括，就是通过某种核函数，将数据在高维空间里寻找一个最优超平面，能够将两类数据分开。
针对不同数据集，不同的核函数的分类效果可能完全不一样。可选的核函数有这么几种：
线性函数：形如K(x,y)=x*y这样的线性函数；
多项式函数：形如K(x,y)=[(x·y)+1]^d这样的多项式函数；
径向基函数：形如K(x,y)=exp(-|x-y|^2/d^2）这样的指数函数；
Sigmoid函数：就是上一篇文章中讲到的Sigmoid函数。
我们就利用几个数据集，直接给出Python代码，看看运行效果：
测试1：身高体重数据
运行结果如下：
可以看到，针对这个数据集，使用3次多项式核函数的SVM，得到的效果最好。
测试3：圆形边界
最后我们测试一个数据分类边界为圆形的情况：圆形内为一类，原型外为一类。看这类非线性的数据SVM表现如何：
测试数据生成代码如下所示：
测试结果如下：
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='linear', max_iter=-1, probability=False, random_state=None,
可以看到，对于这种边界，径向基函数的SVM得到了近似完美的分类结果。
不断更新资源
深度学习、机器学习、数据分析、python
