支持向量机（SVM）

支持向量机(SVM)是一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，通过最大化间隔来实现分类。与感知机不同的是，支持向量机还包括核技巧，使其成为实质上的非线性分类器。支持向量机的学习策略可以被形式化为一个凸二次规划的问题，其学习算法是求解凸二次规划的最优化算法。

支持向量机的学习方法包含构建由简至繁的模型，即线性可分支持向量机和非线性可分支持向量机。当训练数据线性可分时，通过最大化硬间隔来学习一个线性的分类器，这被称为线性可分支持向量机或硬间隔支持向量机。当训练数据线性不可分时，通过使用核技巧和最大化软间隔来学习非线性支持向量机。

核函数是支持向量机中的一个重要概念，它可以将输入空间映射到一个更高维的特征空间，使得线性不可分的问题变得线性可分。通过核函数，支持向量机可以处理非线性的分类问题。

总结起来，支持向量机是一种通过最大化间隔来进行分类的模型，它包括线性可分支持向量机和非线性可分支持向量机。通过使用核函数，支持向量机可以处理非线性分类问题。