SVM中点的代表物xi与yi的定义¶

• xi是前级由直方图获得的特征向量.关于g(x)=wx+b 这个表达式要注意式中的x 不是二维坐标系中的横轴，而是样本的向量表示，例如一个样本点的坐标是(1,2)，则xiT=(1,2)，而不是x=1

• 在进行文本分类的时候，我们可以让计算机这样来看待我们提供给它的训练样本，每一个样本由一个向量（就是那些文本特征所组成的向量）和一个标记（标示出这个样本属于哪个类别）组成。如下：
  Di=(xi,yi) xi 就是向量（维数很高），yi 就是分类标记。在二元的线性分类中，这个表示分类的标记只有两个值，1 和-1（用来表示属于还是不属于这个类）。有了这种表示法，我们就可以定义一个样本点到某个超平面的间隔。

• δi=yi(wxi+b)这个公式是个定义，但变换就能看出一些有意思的东西。首先注意到如果某个样本属于该类别的话，那么wxi+b>0，而yi 也大于0；wxi+b<0，而yi 也小于0，因此其值与分类所得值是相同符号的。