支持向量机 （SVM）算法的原理及优缺点

支持向量机（Support Vector Machine，常简称为SVM）是一种监督式学习的方法，可广泛地应用于统计分类以及回归分析。
它是将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面，分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小

支持向量机的基本思想
对于线性可分的任务，找到一个具有最大间隔超平面

实验一般步骤：

（1）导入数据；
　　（2）数据归一化；
　　（3）执行svm寻找最优的超平面；
　　（4）绘制分类超平面核支持向量；
　　（5）利用多项式特征在高维空间中执行线性svm
　　（6）选择合适的核函数，执行非线性svm；

算法优缺点：

算法优点：　　
　　　　（1）使用核函数可以向高维空间进行映射
　　　　（2）使用核函数可以解决非线性的分类
　　　　（3）分类思想很简单，就是将样本与决策面的间隔最大化
　　　　（4）分类效果较好
算法缺点：
　　　　（1）SVM算法对大规模训练样本难以实施
　　　　（2）用SVM解决多分类问题存在困难
　　　　（3）对缺失数据敏感，对参数和核函数的选择敏感