1.SVM:
SVM，全称是support vector machine，中文名叫支持向量机。SVM是一个面向数据的分类算法，它的目标是为确定一个分类超平面，从而将不同的数据分隔开。
2.SVM为什么采用间隔最大化：
1.当训练数据可分的时候，存在很多超平面可以将数据分开
2.感知机利用误分类最小策略，求得分离超平面，不过此时的解有无穷多个。
3.线性可分支持向量机利用间隔最大化求得最优分离超平面，这时，解是唯一的。另一方面，此时的分隔超平面所产生的分类结果是最棒的，对未知实例的泛化能力最强。
然后应该借此阐述，几何间隔，函数间隔，及从函数间隔—>求解最小化1/2 ||w||^2 时的w和b。即线性可分支持向量机学习算法—最大间隔法的由来。
3.为什么要将求解SVM的原始问题转换为其对偶问题？
一、是对偶问题往往更易求解（当我们寻找约束存在时的最优点的时候，约束的存在虽然减小了需要搜寻的范围，但是却使问题变得更加复杂。为了使问题变得易于处理，我们的方法是把目标函数和约束全部融入一个新的函数，即拉格朗日函数，再通过这个函数来寻找最优点。）
二、自然引入核函数，进而推广到非线性分类问题。
4.为什么要引入SVM核函数？
当样本在原始空间线性不可分时，可将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性可分。
当数据是线性不可分的情况下，SVM求解分类的超平面是使用核函数。有的数据在低维空间不可分，但是映射到高维空间后它可能是线性可分的，比如，一维线上的点不线性可分，映射到二维（平方函数）就可能可以分开了。但是在映射的时候有一个问题，是一个计算问题，低维空间映射到高维空间，在高维空间上直接计算的话回产生一个维灾难的问题（2->5, 3->19...）。这个地方就引入了核函数，核函数是计算两个向量在隐式映射过后的空间中的内积的函数，通过核函数可以使数据不用在映射后的高维空间中计算，而是在原来的低维空间中计算（在原来的低维空间上做内积）。
5.松弛变量
松弛变量的引入也就是允许某些点离超平面的距离小于1，也即放弃了这些点的分类精度，惩罚因子决定了对离群点的重视程度，C越大，表示分错某一个点需要付出更大的代价（这个可以一定程度上缓解正负样本数量相差太大的问题）。
6.LR和SVM的相同点和不同点：
相同点：1.都是分类算法 2.都是线性分类器 3.都是监督学习算法 4.LR和SVM都是判别模型
不同点：1.逻辑回归的损失函数，支持向量机的目标函数,2.支持向量机只考虑局部的边界线附近的点，而逻辑回归考虑全局
3.支持向量机改变非支持向量样本并不会引起决策面的变化 ，逻辑回归中改变任何样本都会引起决策面的变化
4.在解决非线性问题时，支持向量机采用核函数的机制，而LR通常不采用核函数的方法。
5.线性SVM依赖数据表达的距离测度，所以需要对数据先做normalization，LR不受其影响。
7.SVM的损失函数就自带正则，而LR必须另外在损失函数上添加正则项。