完成--svm分类示例

docs/ml.md

@@ -94,4 +94,51 @@
         缺点
             线性决策边界：假设自变量和因变量之间存在线性关系，可能不适用于非线性数据。
             对异常值敏感：异常值可能对模型产生较大影响。
-            多重共线性：自变量之间高度相关时，模型表现可能不佳。
+            多重共线性：自变量之间高度相关时，模型表现可能不佳。
+
+支持向量机(SVM):找到一个最优超平面来分离不同类别的数据点,并最大化类别之间的边界
+    基本概念:
+        1.超平面:
+            在二维空间中，超平面是一条直线；在三维空间中，超平面是一个平面；在高维空间中，超平面是一个n-1维的子空间。
+            超平面的方程可以表示为：wx+b=0
+        2.间隔:
+            间隔是超平面到最近数据点的距离。SVM的目标是最大化这个间隔。
+            支持向量是距离超平面最近的那些数据点，它们决定了超平面的位置。
+        3.硬间隔与软间隔
+            硬间隔：要求所有数据点都被正确分类，且间隔最大化。适用于线性可分的数据。
+            软间隔：允许一些数据点被错误分类，以提高模型的泛化能力。适用于线性不可分的数据。
+        4.核函数
+            用于将数据映射到高维空间，使得在高维空间中数据变得线性可分。
+            常见的核函数包括：
+                线性核：K(xi,xj)=xi⋅xjK(xi​,xj​)=xi​⋅xj​
+                多项式核：K(xi,xj)=(γxi⋅xj+r)dK(xi​,xj​)=(γxi​⋅xj​+r)d
+                径向基函数（RBF）核：K(xi,xj)=exp⁡(−γ∥xi−xj∥2)K(xi​,xj​)=exp(−γ∥xi​−xj​∥2)
+                Sigmoid核：K(xi,xj)=tanh⁡(γxi⋅xj+r)K(xi​,xj​)=tanh(γxi​⋅xj​+r)
+        5.目标函数:
+            SVM的目标是最大化间隔，同时最小化分类误差。这可以通过以下优化问题来表示：
+
+
+            约束条件:
+
+    适用场景:
+        高维空间：
+            文本分类：如垃圾邮件检测、情感分析。
+            图像分类：如手写数字识别、人脸识别。
+        非线性分类：
+            生物信息学：如基因表达数据分析。
+            金融：如信用评分、股票市场预测。
+        小样本数据：
+            医学诊断：如疾病预测、药物反应分析。
+            工业应用：如故障检测、质量控制。
+        多分类问题：
+            手写数字识别：识别0-9的手写数字。
+            图像分类：将图像分类到多个类别中。
+    优缺点:
+        优点:
+            有效处理高维数据：在高维空间中表现良好。
+            泛化能力强：通过最大化间隔，提高模型的泛化能力。
+            灵活性强：通过使用不同的核函数，可以处理线性和非线性问题。
+        缺点:
+            计算复杂度高：对于大规模数据集，训练时间较长。
+            参数选择敏感：核函数和参数的选择对模型性能影响较大。
+            解释性差：相比线性模型，SVM的解释性较差。