超平面：比當前空間少1維的空間，如：一維的超平面是點，二維的超平面是1維。
SVM 分離超平面公式： y = W T ∗ x + b y=W^T *x+b y=WT∗x+b，通過y>0、<0，判斷二分類；即通過超平面把原始空間的內容二分類。計算該公式時，關鍵是(a)如何判斷停止迭代，(b)在每次迭代中計算（w、b、T）；目標是計算出最終的（w，b，T(T表示核函式的值、或者轉置 等等)）。

(1) SVM的核函式（計算w,b,T）[1]

核函式解決特徵對映問題，即通過從低緯度到高緯度對映，解決原始空間不可分，如：一維對映到2維，從而計算出其“分離超平面”。如下面例子，計算出分離超平面是 x 2 + x x^2+x

為了驗證“分離超平面”，可以再映射回原始特徵空間，如下:

(2) SVM的優化演算法SMO（判斷停止迭代，和計算w,b,t），如下：

以上程式碼中，在train()中，根據公式y=WT *x+b，在given 迭代次數下，計算出W,b,T（類似於 遞推函式），即建立model；在score()中，輸入x、W、b、T，計算出預測y’，由公式y’/y * 100%計算出accurary，並且輸出。

(3) SVM的 梯度下降

（3.1）梯度下降基礎知識 [4] [5]

梯度下降公式：

以上的公式，計算出的theta(1) 是這次下降所到達點。其中，初始位置是theta(0)，a是每次下降的步長

以上程式碼中，line1是通過損失函式判斷迭代是否停止，（損失函式是，由svm函式計算出y(i)，對y(i)縮排1，理想的情況這時y(i)=0；然後對其累加成y，再計算y與預測分離超平面的差距，如果差距cost> precision，需要再優化）,並且T是given 的迭代次數；line2是在每次迭代中，計算出代價函式的梯度

參考：
[1] 資料探勘領域十大經典演算法之—SVM演算法，https://blog.csdn.net/fuqiuai/article/details/79483057
[2] SVM的梯度下降解釋及其演算法比較，https://blog.csdn.net/olizxq/article/details/90143558
[3] 機器學習：支援向量機（SVM），https://blog.csdn.net/olizxq/article/details/83052235
[4] 梯度下降演算法原理講解，https://blog.csdn.net/qq_41800366/article/details/86583789
[5] Python numpy.transpose 詳解，https://blog.csdn.net/u012762410/article/details/78912667
[6] LaTex, https://blog.csdn.net/u014711094/article/details/80645327
[7] loss 與梯度下降，https://blog.csdn.net/silent_crown/article/details/78109461?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-5.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-5.channel_param
[8] Latex 希臘字母，https://blog.csdn.net/xyqzki/article/details/6842777