SVM（支持向量机）

SVM（支持向量机）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，间隔最大使它有别于感知机。支持向量机的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题。支持向量机还包括核技巧，这使它成为实质上的非线性分类器。支持向量机的学习算法是求解凸二次规划的最优化算法。支持向量机学习方法包含构建由简至繁的模型：线性可分支持向量机以及非线性可分支持向量机。当训练数据线性可分时，通过硬间隔最大化，学习一个线性的分类器，即线性可分支持向量机，又称为硬间隔支持向量机。当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。

SVM所做的工作就是找到一个超平面，能够将两个不同类别的样本划分开来。支持向量机的核心思想是最大化分类器与最近的样本之间的间隔，这个间隔被称为“支持向量”，并且SVM的目标是找到一个最大间隔的超平面，使得这些支持向量到该超平面的距离最大。SVM的学习算法是求解凸二次规划的最优化算法。