第一阶段技法：

large margin (the relationship between large marin and regularization)， hard-SVM，soft-SVM，dual problem(解对偶问题)，kernel trick，kernel logistic regression，

主要思路是：（这里不区分线性与非线性，差别只是特征空间转换，X空间与Z空间的关系）

1. 从PLA出发，对于二维平面的二分类问题，PLA可能得出一堆能够正确分类的直线，但是哪一条直线会是最好的呢？我们应当如何评价分类的好坏呢？从而导出了large margin 和 support vector的概念。

具有large margin的那条直线具有更好的抗干扰能力，鲁棒性好。而影响margin大小的其实就是在fat边界上的那些数据，这些数据叫做support vector（candidate）。所以，就有了这样的一个优化目标，如何通过调节w使得margin最大。后面就是一系列的数学优化推导，最后转化为二次规划问题得到解决。

下面说明large margin背后所隐藏的一些可以解释为何large margin会“好”的原因：1）从regularization角度看，large margin所对应的优化函数，类似于加了regularizer的线性分类/回归问题，也就是说，large margin对应着regularization；

2）从VC dimension的角度来讲，large margin其实是减少了hypothesis能够shutter的dichotomy（二分类）的数量，也就是说减少了VC dimension，使得模型可以控制overfitting。

2. 我们另一个动机就是：能不能将X特征空间转化到无限维度的特征空间呢？同时为了保证Hoeffding's 不等式对VC dimension的限制及计算量上的限制，则希望转化后的Z空间的VC dimension不跟W的自由度d相关。

因此，开始研究svm的dual problem（对偶问题）。在不断的推导和求解dual support vector machine问题时，用到了著名的KKT条件：

通过上面给的推导和解释，我们可以看到，实际上W值是由on fat boundary上面的support vector线性表出的（这就是后面要讲到的表示定理）。数学的推导与理论分析都说明support vector才是主导我们进行模型选择所用到的数据。

所以，现在重新限制support vector，刚开始我们提出的边界上的data叫做support vector（candidate），而这个通过解dual问题得到的决定W的alpha不为零的data就叫做support vector。

回想PLA，类似support vector machine，这个W都是可以通过样本点线性表出的；PLA实际上是通过犯错误的点表出，而support vector machine则是通过support vector线性表出的。

这就是原始的svm和dual svm的对比。

到目前为止，我们还没有解决W的维度d和计算量的评估，下面将通过一个叫做kernel  trick的方法，实现无限维度的特征转换。