这个案例是一个关于森林火灾方面的预测，该数据集一共包含 517 条火灾记录和 13 个变量，其中变量 area 为因变量，表示火灾产生的森林毁坏面积，其余变量主要包含火灾发生的坐标位置、时间、各项火险天气指标、气温、湿度、风力等信息。接下来利用 SVM 模型对该数据集的因变量做预测分析。所用数据集来自UCI网站。进行SVM预测分析时我们先得进行数据的处理。

# 读取外部数据
forestfires = pd.read_csv(r'C:\Users\Administrator\Desktop\forestfires.csv')
# 数据前 5 行
forestfires.head()

 

界限上的无疑是最为重要的，除去此之外的就显得没有那么举足轻重了。而对于其他的点符合上面的不等式。那么这就是对于不等式下的一个优化求值问题，而且是区间上的优化问题而不是全值下的优化问题。限制住的区域无疑会给我们带来麻烦，受限制的优化问题。那么如何解决非线性的不等式的优化问题呢：转化成无约束条件下的优化问题——拉格朗日。

Min与Max之间并没有矛盾，因为它们维度不同。错分类点会被非常严厉地惩罚，因此此时不能有错误点。

这个转化问题通过拉格朗日也是极为精彩。约束条件下求极值。在生活中也有很多地方有拉格朗日的影子。对于约束条件被破坏的条件下资源的购买的代价就是拉格朗日乘法子的意义，而在支持向量机中这个乘子就是正无穷（错误的点） ，付出无穷代价。

如果找不到间隔呢？

 

运用SVM思维，SVM本质是一种正则化而不是优化。Regulization，是实现一种规范。不是为了训练集而是为了测试集的误差最小，因为数据存在噪声。尽管正则是永恒的主题，但我们总是希望总是能够有一条分割线将两个点分开。而如果对于拉格朗日乘子有了更深入的理解，我们会发现从前我们对于错误会让它们付出无穷的代价之后我们才能不付出高昂的代价，而现在变了，需要容纳这些错误，但是还是对这些错误得进行惩罚，但不是无穷的代价了，而是一定的代价。 根据出错的大小来进行惩罚。这就是具有容错能力我们又称之为——软间隔。下面是数学公式的推导相对于其他资料很容易理解。

事实上SVM同样可以处理无穷维的问题。 下面引出Kernal trick。

核函数

升维打击与非线性分类。尽管SVM逐渐被深度学习所替代但它的思想永不过时。核函数带来的VC维特别容易过拟合，拟合能力强，但是 SVM本身的正则化又控制这种过拟合（对出错的点的惩罚力度、也可以在非线性项之前加入乘子控制线性到非线性的转变）这就是SVM的强大之处。

C#部分代码展示：

 

 由于事情太多我会对于最近的两篇文章会进行再一次地完善和修改。接下来我打算写点最近在研究的基于改进的的EAST算法的文本识别和Vue尚硅谷的精华重点以及Flask框架，对于元学习的论文和算法也不会停，敬请各位对于文章中的错误进行斧正，对此表示感谢。