使用SVM优化包（liblinear,libsvm)来求θ
我们要做得：
1.选择适当的C值
2.选择相应的核函数
我们也可以不选择核函数（称为线性核函数）
弊端：
如果你有大量的特征变量 如果 n 很大 而训练集的样本数 m 很小 那么 你知道
你有大量的特征变量 x 是一个 n+1 维向量 x 是一个 n+1 维向量 那么如果你已经有
大量的特征值 和很小的训练数据集 也许你应该拟合 一个线性的判定边界
不要拟合非常复杂的非线性函数 因为没有足够的数据 如果你想在一个高维特征空间
试着拟合非常复杂的函数 而你的训练集又很小的话 你可能会过度拟合 因此 这应该是
你可能决定不适用核函数 或者等价地说使用线性核函数 或者等价地说使用线性核函数
的一个合理情况
我们选择类似高斯核函数这类核函数：
编写核函数代码：
note:在使用核函数之前，对数据进行归一化
||x-l||可以写成：
归一化可以使你的函数不止关注较大的特征值。
其他的一些核函数：
多类分类的方法和逻辑回归分类相似，建立多个分类器
逻辑回归和SVM的比较
