shit

svm.md

@@ -56,7 +56,7 @@ $$
 
 <div align=center><img src="./img/1028.jpg", height="250"/></div>
 
-如图中，距离最近的几个点使两个不等式的等号成立，它们就被称为 **支持向量**，即图中两条黄色的线。两个异类支持向量到超平面的距离之和为：
+如图中，距离最近的几个点使两个不等式的等号成立，它们就被称为支持向量，即图中两条黄色的线。两个异类支持向量到超平面的距离之和为：
 
 <center>
 $$
@@ -65,7 +65,7 @@ $$
 </center>
 <br>
 
-它被称为 **间隔** ，即蓝线的长度。欲找到具有“最大间隔”的决策边界，即黑色的线，也就是要找到能够同时满足如下式子的$$w$$与$$b$$:
+它被称为间隔，即蓝线的长度。欲找到具有“最大间隔”的决策边界，即黑色的线，也就是要找到能够同时满足如下式子的$$w$$与$$b$$:
 
 <div align=center><img src="./img/1029.jpg", height="150"/></div>
 
@@ -104,7 +104,7 @@ $$
 </center>
 <br>
 
-对两式子使用拉格朗日乘子法可得到其**对偶问题**。具体为，对式子的每条约束添加拉格朗日乘子$$\alpha\geq0$$，则该问题的拉格朗日函数可写为：
+对两式子使用拉格朗日乘子法可得到其对偶问题。具体为，对式子的每条约束添加拉格朗日乘子$$\alpha\geq0$$，则该问题的拉格朗日函数可写为：
 
 <center>
 $$
@@ -128,7 +128,7 @@ $$
 </center>
 <br>
 
-将式子$$2$$带入式子$$1$$，则可将$$w$$和$$b$$消去，再考虑式子$$3$$的约束，就可得到原问题的**对偶问题** ：
+将式子$$2$$带入式子$$1$$，则可将$$w$$和$$b$$消去，再考虑式子$$3$$的约束，就可得到原问题的对偶问题：
 
 <center>
 $$
@@ -149,7 +149,7 @@ $$
 </center>
 <br>
 
-解出$$\alpha$$后，求出`w`与`b`即可得到模型：
+解出$$\alpha$$后，求出$$w$$与$$b$$即可得到模型：
 
 <center>
 $$
@@ -158,7 +158,7 @@ $$
 </center>
 <br>
 
-从对偶问题解出的$$\alpha_i$$是拉格朗日乘子，它恰对应着训练样本$$(x_i,y_i)$$，由于原问题有不等式的约束，因此上述过程需满足**KKT(Karush-Kuhn-Tucker)**条件,即要求：
+从对偶问题解出的$$\alpha_i$$是拉格朗日乘子，它恰对应着训练样本$$(x_i,y_i)$$，由于原问题有不等式的约束，因此上述过程需满足KKT(Karush-Kuhn-Tucker)条件,即要求：
 
 <center>
 $$
@@ -171,7 +171,7 @@ $$
 </center>
 <br>
 
-于是，对任意训练样本$$(x_i,y_i)$$，总有$$\alpha_i=0$$或$$y_if(x_i)=1$$。若$$\alpha_i=0$$，则该样本将不会出现在式子`4`中，也就不会对$$f(x)$$，有任何影响。若$$\alpha_i>0$$，则必有$$y_if(x_i)=1$$，所对应的样本点位于最大间隔边界上，是一个支持向量。这显示出支持向量机的一个重要性质:**训练完后，大部分的训练样本都不需要保留，最终模型仅与支持向量有关**。
+于是，对任意训练样本$$(x_i,y_i)$$，总有$$\alpha_i=0$$或$$y_if(x_i)=1$$。若$$\alpha_i=0$$，则该样本将不会出现在式子$$4$$中，也就不会对$$f(x)$$，有任何影响。若$$\alpha_i>0$$，则必有$$y_if(x_i)=1$$，所对应的样本点位于最大间隔边界上，是一个支持向量。这显示出支持向量机的一个重要性质:**训练完后，大部分的训练样本都不需要保留，最终模型仅与支持向量有关**。
 
 
 ##线性支持向量机