我发现Russell 和 Norvig关于机器学习的章节是一个很好的开始 SVM 的地方。我想这是第18章？

理解 SVM 的一种方法是作为一种神经网络，但这对于初学者来说通常不是一种直观的方法（除非你的 NN 知识已经相当好）。

理解 SVM 的更好方法是将三个简单的想法整合到一个算法中。不过，这是一个“For Dummies”答案的尝试：

1. 最大保证金分类。支持向量机通常用于在一组数据中查找模式。通常，数据允许无限组可能的模式，这些模式都具有相同的描述性。例如，关系可能是“居住在海岸 5 英里范围内 -> 收入高”。很容易想象，这种模式与“住在离海岸 5.0001 英里以内 -> 高收入”或“住在离海岸 4.999 英里以内 -> 高收入”一样好。实际上可能比数据中的更多（例如 3 英里也可能有效）。如果所有这些都同样好，那么最大边距的想法就是你应该选择数据“中间”的那个。所以也许 5.5 和 4.8 之间的所有值都一样好。在这种情况下，我们可能会选择 5.15（在中间）。这个例子非常简单。现实世界的数据会有更多的变量，“中间”的想法最终会稍微复杂一些，但这就是直觉。事实证明，当模式是，找到最大边距模式很容易线性的。也就是说，当它们可以通过在数据集的图中绘制直线来表示时。

2. 投影到更高维度。这需要一些数学来可视化。考虑一个由圆形模式组成的数据集（例如，该模式可能是在城市中心发现更高的收入）。没有线性捕捉这种模式的关系。也就是说，你不能在数据中画出一条直线，并对一侧或另一侧的所有值说一些有意义的事情。但是，如果您在数据中添加一个新特征，即原始坐标的平方，则很容易找到这样的模式。基本上，如果你预先计算原始数据的“循环”函数，你可以将它们添加到数据集中，然后找到一个模式，它是这个新特征的线性函数。这个想法概括了：如果您计算原始数据的足够复杂的函数，然后应用最大边距的想法，您可以学习任何您喜欢的模式。问题是它很慢：添加更多功能会使找到所需模式的时间更长。

3. 内核技巧。使 SVM 有用的是内核技巧：找到最大边距不依赖于任何东西，除了各个点坐标的乘积。事实证明，可以先计算这个乘积，然后运行某些函数以产生一个问题，该问题与您首先添加额外特征然后进行乘法得到的问题相同。但是，以这种方式计算问题不需要添加任何新功能！这使得支持向量机成为第一个可靠的、易于理解的、快速的在数据中寻找非线性模式的方法。

希望提供一个起点。考虑阅读 Russell 和 Norvig 作为下一个起点，或者如果您想更深入地阅读Bishop 。

如果这仍然与您相关，我可以在 Jupyter 笔记本中分享我的 SVM 教程和 Python 实现：

支持向量机入门

本教程假设有一些数学和编程背景知识。SVM 代码不使用外部机器学习包，并试图教读者自己构建 SVM 模型。

我希望它对你有帮助！

支持向量机是具有相关学习算法的监督学习模型，用于分析数据并用于分类和回归分析。

这是一个链接，您可以从介绍级别了解更多信息：“支持向量机 - 机器学习算法简介”（中）