线性模型回顾
SVM处理非线性
通过限制条件和最小化，我们能够使ξ既不会很大，也不会很小（因为当ξ很大时，限制条件1恒成立）
对于解决非线性问题，有一部分人认为可以在使数据维数不变的情况下，寻找曲线或曲面，而SVM认为，通过将低维的数据映射到高维，在高维的空间中寻找一条直线，使其分开的概率更大。
且维度越大，被线性分开的可能性更大，若维度是无限维，则可能性为1.
异或问题的解决
已知：
我们要构造一个：φ(x)
最终，我们要在这个五维平面中，找到w（也是五维的）和b，使得计算机能够分开c1和c2.（w要和φ(x)同一维度）
这里给出一种情况：
验证：
核函数
我们可以不知道无限维映射φ(x)的显示表达，我们只要知道一个核函数满足下式，那么我们在1中的优化式任然可解。
下面是两个常用的核函数
Mercer’s Theorem
如何根据核函数k代替φ(x)
这里需要使用优化理论。
SVM的目标：
将目标转化为原问题：
转化成对偶问题：
将上述结果代入θ中，化简得
总结
