建议看这个经典的文章。好东西啊，对于理解svm的数学模型由来。http://blog.csdn.net/zhangping1987/article/details/21931663
下面加上我的一些理解喽。 先定位svm解决二分类问题。多分类以后再看喽。
首先要明确svm的数学模型是想干什么。也就通过哪些已知条件，要求出哪些数据。
SVM目的：求解一个超平面，将两类特征分离开。此超平面要具备最大化特征空间上的间隔性质。（说白了就是求解一组参数（超平面），参数要满足后半部分的条件约束（最大化特征空间上的间隔））。
分类超平面的确定只取决于少数的样本信息，这些关键的样本被称之为支持向量Support Vector，这也是SVM—支持向量机名称的由来。
预备知识：第一个知识点：已知超平面和数据集，哪个一点离这条超平面最近，答案：哪一个点使得最小，哪一点离这个超平面最近
第二个知识点：已知超平面和点，，那么这个点到这个超平面的距离为：,向量表示法为。
SVM例子：举个例子如何求超平面。
二维空间中超平面退化为一条线。例子就是两个组点的分类问题吧。假设直线 w1*x1 + w2*x2 +b = 0 能够将两类点分开。简化为矩阵形式就是W*X + b = 0; W 为参数 X为平面中的坐标。
满足W*X + b > 0 的X记为第一类 “+1” 满足W*X + b < 0 的X记为第二类 “ -1”。取距离直线最近的点，计算距离用上面的公式 简记其为D 。直线方程参数除以D，目的是强制将点距离直线的最小距离定义为1。这样其他所有的点距离直线的距离都是大于等于1。直线方程形式会变为Wnew * X + b = 0。两组点集距离直线的最小距离为1/||Wnew||。而这样的直线有多少条，答案是无数条。那么这个最小距离最大的 也就是最靠近中间的，也就是我们最想要的直线。其对应的参数求出来，直线就被唯一确定了。
待续..... 现在只是初步印象，后续再改吧。
