diff --git a/机器学习算法理论及应用/李航——统计学习方法/7.支持向量机.md b/机器学习算法理论及应用/李航——统计学习方法/7.支持向量机.md
index 887dbbc..ef43f88 100644
--- a/机器学习算法理论及应用/李航——统计学习方法/7.支持向量机.md
+++ b/机器学习算法理论及应用/李航——统计学习方法/7.支持向量机.md
@@ -64,5 +64,42 @@ Knowledge tree
 
 
 
-### 多维
+### 升维可分问题
 
+1. 当有人拿着棍子指着你时，你只能看到棍子的横截面，是一个点，它是一维的。我们无法将两个点区分开来。因为她们重叠了。
+
+   ![1619232957172](assets/1619232957172.png)
+
+   > 右边红色线表示看的方向
+
+2. 当有人拿着棍子指着其它地方，我们能看到整个棍子，这时候是二维的。我们可以一把刀劈开，把红豆和绿豆区分开。所以，红豆和绿豆虽然在一维的时候不能分开，但在二维时线性可分了。
+
+   ![1619234003387](assets/1619234003387.png)
+
+3. 也可能二维不可分， 如下图
+
+   ![1619234073290](assets/1619234073290.png)
+
+4. 这时候我们可以把棍子看作三维中的棍子，有体积的。如果把棍子立在地上，很有可能红豆靠南侧，绿豆靠北侧，我们像劈柴一样从上至下即可劈开（分开），也一样是线性可分。
+
+5. 如果三维还不能线性可分，那就升到思维
+
+**总会从某一个维度开始，它变成线性可分了，即只要不断的增加维度（特征）总能区分开来**
+
+同时，我们发现高维中的超平面，映射到低维空间中时，可能会变成曲线或其它的划分形式。
+
+这也就是为什么，在SVM中我们同样使用超平面来划分，SVM可以划分非线性的数据集。
+
+它本质上仍然是线性超平面，不过是高维中的线性超平面。
+
+
+
+**那么升维一定会线性可分吗？**
+
+**会不会升到无穷维了仍然线性不可分？**
+
+答案是不会的，首先要明白，我们的数据集一定是基于真实的某种分布，分为A类的样本和B类的一定在本质上有区别。只要有区别，就一定可以区分开来，一定在某个高维度上线性可分。
+
+**另外，总能上升到有个维度空间中线性可分，无限上升的同时有没有可能在N+1维度又不可分了？**
+
+不会，随着维度的上升，我们获得的信息越来越多。当第N维的数据已经足够划分时，更多的信息量并不会出现又不可分的情况。
\ No newline at end of file
diff --git a/机器学习算法理论及应用/李航——统计学习方法/assets/1619232957172.png b/机器学习算法理论及应用/李航——统计学习方法/assets/1619232957172.png
new file mode 100644
index 0000000..1e2b1aa
Binary files /dev/null and b/机器学习算法理论及应用/李航——统计学习方法/assets/1619232957172.png differ
diff --git a/机器学习算法理论及应用/李航——统计学习方法/assets/1619234003387.png b/机器学习算法理论及应用/李航——统计学习方法/assets/1619234003387.png
new file mode 100644
index 0000000..473bdf4
Binary files /dev/null and b/机器学习算法理论及应用/李航——统计学习方法/assets/1619234003387.png differ
diff --git a/机器学习算法理论及应用/李航——统计学习方法/assets/1619234073290.png b/机器学习算法理论及应用/李航——统计学习方法/assets/1619234073290.png
new file mode 100644
index 0000000..1f10e1a
Binary files /dev/null and b/机器学习算法理论及应用/李航——统计学习方法/assets/1619234073290.png differ