支持向量机-一个简单的解释？

        简短的答案是：它们不对矩阵进行变换，而是将矩阵中的每个元素都视为维度（在机器学习中，每个元素都称为功能）。 因此，他们需要对每个具有100x100 = 10000个特征的元素进行分类。在线性SVM情况下，他们使用超平面来实现，该超平面将10,000维空间划分为两个不同的区域。 更长的答案是： 考虑您的2D情况。现在，您要分离一组二维元素。这意味着您的集合中的每个元素都可以在数学上描述为2元组，即：e =（x1，x2）。例如，在您的图中，一些完整的点可能是：{（1,3），（2,4）}，而一些空心的点可能是{（4,2），（5,1）}。请注意，为了使用线性分类器对它们进行分类，您需要一个二维线性分类器，这将产生一个决策规则，看起来可能像这样： e =（x1，x2） if（w1 * x1 + w2 * x2）> C：确定e是一个完整的点。 否则：e是空心的。 注意分类器是线性的，因为它是e元素的线性组合。 \'w \'被称为\'weights \'，而\'C \'是决策阈值。上面具有2个元素的线性函数只是一条直线，这就是为什么在您的图中H是直线。 现在，回到我们的n维案例，您可能会想到我们认为一条线不会解决问题。在3D情况下，我们需要一个平面：（w1 * x1 + w2 * x2 + w2 * x3）> C，在n维情况下，我们需要一个超平面：（w1 * x1 + w2 * x2 + ... + wn * xn）> C，这真是难以想像，但绘制:-)仍然如此。