机器学习中，不同的模型，对待训练样本也不同
- 有的是训练完得到参数后，就抛弃了，比如神经网络。
- 有的还需要完整的训练样本，比如KNN
- 有的是需要一部分训练样本，比如SVM
SVM是一种非常有效的二分类模型，是在特种空间上的间隔最大分类器。
将线性模型转换成对偶形式，就可以利用核函数来计算相似性，同时避免了直接做高维向量内积运算。
支持向量是很少的，因此也可以理解为sparse kernel machines。也是用训练样本直接对新样本做预测，而且只使用了少量训练样本，所以具有稀疏性。
机器学习中，不同的模型，对待训练样本也不同
SVM是一种非常有效的二分类模型，是在特种空间上的间隔最大分类器。
将线性模型转换成对偶形式，就可以利用核函数来计算相似性，同时避免了直接做高维向量内积运算。
支持向量是很少的，因此也可以理解为sparse kernel machines。也是用训练样本直接对新样本做预测，而且只使用了少量训练样本，所以具有稀疏性。
