今天要介紹的是另一個能夠處理分類問題的模型----支援向量機(Support Vector Machine)。看到他的名字有沒有覺得很莫名其妙，分看看都懂，合在一起就不知道在幹嘛了！別擔心，今天這篇就是用淺顯的方式帶大家認識 SVM 喔～

SVM 是一種監督式的學習方法，用統計風險最小化的原則來估計一個分類的超平面(hyperplane)。它的基本概念就是找到一個決策邊界(decision boundary)讓兩類之間的邊界(margins)最大化，使其可以完美區隔開來。簡單來說，超平面是一種可以以某種型式分割空間的方法。生活在三維空間的我們，可以用一條線切分一個平面，如下圖所示。

當要切分立體（三維）時，我們則需要一個平面來做切分，如下圖所示。

以此類推，N 維空間我們就需要使用一個 (N-1) 的超平面來分割。

因此，SVM 做分類的時候就是例用這樣的概念，尋找到一刀切下去能夠最完美分類的那條線(當然，這個一刀所切開的並非我們能夠想像的平面或是立體，而是某個 hyperplane，是多維的，此分類方法就是所謂線性分類。)

SVM 在處理問題時會像以下圖片所示，不斷地通過計算來取得最好的那條線。

像這種情形無法完美分類的時候就像下圖這樣，換個方位

而當出現下圖這樣沒辦法在平面上完成切線的問題時該怎麼辦？

答案就是讓它進入更多維度的空間就能夠解決了！

了解了超平面 hyperplane 之後我們要來理解一下這句話「找到一個決策邊界(decision boundary)讓兩類之間的邊界(margins)最大化」。如圖所示，紅線到黑線的距離稱為 Margin，而 SVM 就是透過去找 Margin 最大的那個 decision boundary，來找最好的線。

以上關於切分的圖片皆來自(https://medium.com/jameslearningnote/%E8%B3%87%E6%96%99%E5%88%86%E6%9E%90-%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E7%AC%AC3-4%E8%AC%9B-%E6%94%AF%E6%8F%B4%E5%90%91%E9%87%8F%E6%A9%9F-support-vector-machine-%E4%BB%8B%E7%B4%B9-9c6c6925856b)

大家如果還有不懂的可以去參考他的解說～

那我們明天就來進行 R 和 Python 的 SVM 實作吧！