数学不好，论坛大牛多，能感性定性通俗说一下吗

感觉支持向量机简直是无中生有，然后自圆其说，最后又完美异常！！！

回复1#jamswan2004

同求，知乎找了一下，还是讲不清楚

iOS fly ~

感觉支持向量机简直是无中生有，然后自圆其说，最后又完美异常！！！

大哥，恰好英语更渣渣见笑了

回复4#jamswan2004

是的所以说我们看到的现实世界都是被降维投影了

凸优化感觉和SVM没啥关系，硬要扯的化，SVM是在边缘特征向量上的最优化问题，泛化来说是一个特定约束下的加权凸优化问题

就是那个，逮住大侠一个，能劳烦通俗说一下吗，是不是就是类似球冠似的函数面极值等问题？那个球冠都突出没有凹坑啥啥的？！

高斯核是不是类似泰勒展开一种逼近的近似思想？？！svm最从天而降的就是核函数了，怎么理解，有个人见解吗，谢谢

回复8#jamswan2004

凭我十五年前的记忆，瞎说一个，
凸规划的最优解一定在边缘上
凹的有坑的就掉进坑里出不来，行话叫局部优解
解决方案是从多个初始点一起搞，再取最优
在工业和物流用的多
软件就是cplex和gurobi
国外解析做得好
国内追不上，就用退火算法之类的
记错了不管

人如其名，热心热情！
谢谢，我拜读
凹凸会不会弄反了，我也的乱说的

核函数和svm是并列关系

很多其它方法也可以应用核函数，甚至可以把核函数理解为一种特征工程

svm的损失函数优化过程约束刚好是一个二次优化而已

svm方法的核心在于建立支持向量最大化的的损失函数 iOS

多谢肌博

能不能来和通俗点的见解，谢谢

马克支持向量机