支持向量机SVM是一种基于分类间隔最大化的机器学习算法，它通过非线性映射将数据从原始空间转换到高维空间，寻找最优分类面。在高维空间中，SVM构建一个能够最大化类别间间隔的超平面，这个间隔被称为margin。支持向量是距离超平面最近的样本点，对于分类任务至关重要。SVM的决策函数仅与支持向量有关，降低了计算复杂度。通过不同的内积函数，如多项式、核函数和S形函数，SVM能够在保持良好推广能力的同时解决非线性问题。
支持向量机SVM是从线性可分情况下的最优分类面提出的。所谓最优分类，就是要求分类线不但能够将两类无错误的分开，而且两类之间的分类间隔最大，前者是保证经验风险最小（为0），而通过后面的讨论我们看到，使分类间隔最大实际上就是使得推广性中的置信范围最小。推广到高维空间，最优分类线就成为最优分类面。
支持向量机是利用分类间隔的思想进行训练的，它依赖于对数据的预处理，即，在更高维的空间表达原始模式。通过适当的到一个足够高维的非线性映射
，分别属于两类的原始数据就能够被一个超平面来分隔。如下图所示：
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
972
