寫的文章發給老師看得到回覆裡面有：去看看機器學習基礎知識～
最近，嗯，來一波機器學習基礎～

特徵轉換（Feature Transforms）的三個方向：
SVM：解決如何選擇特徵轉換以及複雜度的問題
AdaBoost：找出比較具有預測性質的特徵並將其結合起來
Deep Learning：找出（學出）隱藏特徵

第一講：Linear Support Vector Machine
原理：
噪聲是造成過擬合的主要原因，測量誤差也是一種噪聲，下圖三對測量誤差的容忍度更強，能容忍最多的誤差，即線離點越遠，就是越好的分割邊界。
也可以用第二行的方式，分隔的區域越寬越好。

公式推導：

演算法的目標是要找出一條線，使其到所有點的距離最小。上面高亮部分distance即點到分割線的距離。
高亮部分的距離的計算方法以及公式推導過程如下：
這裡新增w0和x0，為了便於區分，將w0表示為b。
問題：問什麼要加w0和x0？
視訊中的說法是要“把x墊的高一點，塞一個x0，令x0為一個正數1，對應也塞一個w0”，為什麼要做這個操作？
是對於y = WX + b這樣的公式，如果沒有b，那麼要求直線y必須經過原點，而對於我們的預測問題沒必要加這樣的限制，直線可以相對於原點有任意的偏移值b，b的取值要求是使y達到最小。

計算點x到平面的最短距離（垂直距離）的推導過程：

為找到完美的平面(即兩種類別的分隔面)，需滿足點到該平面的距離最小：

進一步簡化上式：

應用