老师，加入软间隔加入了，使得为了满足个别的异常点满足条件就把支撑向量移到了异常点的位置，那是不是已知橙色的判对的点因为支撑平面的移动全都判错了呢

老师，这里为什么要对b求最小呢？

老师好，能否提供一下这里面用的几首歌？可以跟着实操一下

几何距离和函数距离理解感知机和SVM模型问题

    在《统计学方法》中，关于函数距离或者函数间隔的概念是说“一个点距离分离平面的远近可以表示分类预测的程度，在超平面wx+b=0确定的情况下，|wx+b|能够相对表示点x距离超平面的远近，而结果是否和y符合一致表示是否正确”。所以用y(wx+b)表示分类的正确性及确信度。问题1：这可以不可以就理解为感知机模型的解释，因为感知机模型只需要判断θx>0(预测结果)，+1(真实结果)，并不需要具体的距离，所以用函数距离解释即可？

    SVM是基于感知机模型的，它的目标是(1)能正确分类的平面中，(2)距离越近的点越远越好，问题2：因为SVM的最终目标？这样就需要在感知机模型的函数距离基础上用几何距离来解释，因为几何距离能实际表示点与超平面的实际距离(测量距离)？

    在抛开SVM的s.t约束条件下来看，在下式中分母保证了目标(1)，加上分子整体式子保证目标(2)，可不可以这样理解

老师好：我有点不太明白SMO算法中，选择第一个变量的时候说的违反KKT条件，这个KKT条件是怎么来的？

我知道原始SVM问题是一个二次优化问题，通过KKT条件来求解，优化空间从w与b变换到了α空间进行优化，此时仍然带着原始问题的KKT条件。接着对α的求解我们采用SMO算法，虽然SMO的求解思路是大二次优化问题花间为多个二元的小二次优化问题，但是求解的思路是直接对二元目标函数直接求导来寻找最优解，并通过约束条件对求导找到的最优解进行剪裁，来得到满足约束条件的最优解。

但是对于优化参数选择中第一个参数的选择上，说找到第一个违反KKT条件的参数α，这里所说的KKT条件是怎么一会事？是指SMO算法所要求解的目标函数的KKT条件吗？如果是这样，在视频中并未提及这个KKT是怎么来的，只是直接给出，我自己试着退了一下，并未得到对应结果，所以想请教老师，在SMO算法选择第一个参数α，所说的KKT条件是怎么来的？

关于的理解,

我们令分子的函数距离为1，得到最终最优化是等同于min||w||₂,课程25:07到25:13左右大概意思是说“这个对L2范数的最小化相当于对L2正则化进行最小化，可以提高模型的泛化能力"。但是在广义线性回归问题中L2正则化越大则模型的泛化能力越强。这两处感觉理解上有矛盾，该如何理解？

X=np.reshape(X,(1,-1))[0]

result_index=model_loaded.predict([tset_fft_features])[0]
这两句代码是什么意思呢

老师，这里能不能展开写一下，我有点算不来，谢谢

下面Softmax推导过程中，多项式分布概率函数：φi取值只能为1或0 吧？

这突然的一堆代码，很难理解啊。重点是老师你默认我们很多都懂。希望能详细一点，处于半理解半懵的状态好难受

老师说的正立和负立是不是对应数学里的成功和失败呀，还有伯努利分布前面不是有一个组合数的系数吗？为什么这里没有呢？

如果说五条样本三条正立，计算正立的概率时不需要乘以C5,3吗？如果不乘的话，那么他的总概率之和加起来应该不会等于1？

如果说五条样本三条正立，计算正立的时不需要乘以C5,3吗？如果不乘的话，那么他的总概率之和加起来应该不会等于1？

老师能否提供一下你这里面用的几首歌 我从其他网站上下到的歌曲有些问题 就给你看一下无地自容这首歌的问题吧

比特率是1411kbps 所以因该是44100Hz/16bit的歌曲 PS.Windows里面找不到哪里有写采样率

老师，kkt条件中，红框的两个条件，查资料好像没有啊？