简述支持向量机分类算法？

支持向量机（Support Vector Machine, SVM）是一种监督学习模型，特别适用于分类和回归分析。它的核心思想是找到数据中的最优决策边界（超平面），这个边界最大化了不同类别之间的间隔，也就是所谓的“最大边距”。SVM的优点在于它对高维数据和非线性数据处理有效，通过核函数可以将数据从原始空间映射到高维特征空间，使得原本非线性的数据在高维空间中变得线性可分。

在SVM分类过程中，关键步骤包括：
1. **数据预处理**：对数据进行标准化或归一化，以便所有样本都在同一尺度上。
2. **选择核函数**：如线性、多项式、径向基函数（RBF）等，决定了数据映射到高维空间的方式。
3. **构建间隔最大化的决策边界**：SVM通过求解优化问题找到使得误差项最小且分类间隔最大的支持向量（离决策边界最近的数据点）。
4. **预测新样本**：使用训练好的决策函数对新的输入进行分类。