线性可分支持向量机和线性支持向量机的模型

线性可分支持向量机（Linearly Separable Support Vector Machine，简称SVM）和线性支持向量机（Linear SVM）都是基于支持向量机（Support Vector Machine，SVM）算法的两种特殊情况，主要用于二分类问题。它们的主要区别在于数据的可分性。

1. **线性可分支持向向量机**：
当数据完全线性可分，即存在一个超平面能够将两类样本完美分开时，线性SVM就能找到这个最优的超平面，使得两类样本到该超平面的距离最大化。这个最大距离被称为“间隔”或“边距”，这样做的目的是提高模型的泛化能力，并减少过拟合的风险。

2. **线性支持向量机**：
特指在没有核函数的情况下，使用标准的内积（向量乘法）来计算特征空间中的距离的模型。当数据不是线性可分的，线性SVM会试图找到一个最简单的线性决策边界，通过“间隔最大化”的思想，选择那些在两类样本中影响最小的点作为支持向量，这些点决定了决策边界。

相关问题：
1. SVM是如何定义间隔的？
2. 非线性可分数据如何处理？
3. 线性SVM对高维稀疏数据的处理效果如何？