写出硬间隔SVM的模型假设及代价函数(或损失函数)

SVM的模型假设是将数据点分为两类，并在这两类数据之间找到最大的间隔，用分割超平面分开两个数据集。

硬间隔SVM的代价函数是最小化误分类点距离超平面的距离和，同时要满足每个数据点都是正确分类的。其实式如下：

minimize 1/2||w||^2

subject to yi(w^Txi+b)>=1, for i = 1,2,...,m

其中，w是分割超平面的法向量，b是偏移量， xi是第i个输入向量，yi是第i个向量的类标签，m是训练样本数。如果xi被正确分类，那么

yi(w^Txi+b)>=1

否则，分类器将手动将xi指定为误分类点。最终的损失函数是最小化误分类点数量。