支撑向量机（Support Vector Machine，简称SVM）是一种常用的监督进修算法，广泛利用于形式辨认跟回归分析中。它经由过程寻觅一个最优的超平面，将差别类其余数据点分开，以达到分类的目标。 在数学现实中，支撑向量机可能被描述为一种二类分类模型。其基本模型定义为特点空间上的间隔最大年夜的线性分类器，间隔最大年夜使它有别于感知机；其余，SVM还包含核技能，从而成为非线性分类器。支撑向量的不雅点是SVM中的核心，指的是那些位于决定界限上，并对分类决定起决定性感化的数据点。 具体来说，支撑向量机的道理是：给定一个练习样本集，经由过程构造一个超平面，将两类样本点分开，并且使得每一类样本点离这个超平面的间隔都尽可能远。这里的“间隔”在数学上被情势化为“间隔”。那些离超平面近来的样本点被称为支撑向量，因为它们支撑起了这个超平面的决定界限。 在现实利用中，当数据不是线性可分时，可能利用核函数将输入空间映射到高维特点空间，使得底本线性弗成分的数据在新的空间中变得线性可分。罕见的核函数包含线性核、多项式核、径向基函数（RBF）核等。 总结而言，支撑向量机是一种富强的分类东西，它经由过程寻觅最优超平面，并在须要时代入核函数处理非线性成绩，以实现数据的有效分类。它的长处在于泛化才能强，特别合适于小样本、非线性及高维形式辨认成绩。