是否可以提供一个高层次但具体的解释，说明SVM算法是如何工作的？我所说的高层次是指不需要深入探讨所有不同类型的SVM、参数等细节。我所说的具体是指解释代数运算，而不是仅提供几何解释。我理解它会找到一个决策边界，将训练集中的数据点分成两个预先标记的类别。我也理解它会通过寻找类别之间最宽的间隙并在其中绘制分隔边界来实现这一点。我想知道的是它是如何做出这种决定的。我不是在寻找代码，而是希望了解所进行的计算和逻辑。我知道这与正交性有关，但在所有我能找到的解释中，具体步骤都非常模糊。

回答：

这里有一个视频，很好地介绍了一种重要的算法。我的重大发现是（1）优化关键指标的平方，这样我们得到的值总是正的，因此最小化平方（仍然容易微分）可以得到最优值；（2）使用一个简单但不太明显的“核技巧”来使向量分类计算变得简单。

仔细观察不必要的项是如何消失的，留下N+1个向量来定义N维空间中的间隙。